Die Teilnehmenden verstehen die zentrale Rolle der Datenqualität im gesamten Data-Science-Prozess und erlernen Methoden zur Sicherstellung einer validen Datenbasis.
Grundlagen von Data Quality im Data Science Kontext- Verstehen, warum Data Quality eine zentrale Rolle im gesamten Data-Science-Prozess spielt
- Qualitätsdimensionen wie Vollständigkeit, Genauigkeit, Konsistenz und Aktualität erfassen
- Typische Fehlerquellen in großen, heterogenen Datensätzen erkennen und bewerten
Praktische Methoden zur Sicherstellung von Data Quality
- Techniken zur Datenbereinigung, Standardisierung und Validierung anwenden
- Automatisierte Prüfverfahren im Datenvorbereitungsprozess integrieren
- Qualitätsmetriken entwickeln und im Analyseprozess kontinuierlich überwachen
Werkzeuge zur Qualitätsoptimierung im Data Science Umfeld
- SQL-Abfragen nutzen, um unvollständige oder fehlerhafte Daten gezielt zu identifizieren
- Power BI einsetzen, um Data-Quality-Kennzahlen visuell darzustellen
- Datenpipelines so gestalten, dass valide Datenbasis in allen Analysephasen gewährleistet ist
Data Science: Data Quality in jeder Projektphase sichern
- Verstehen, wie Datenqualität Modellgüte, Trainingsergebnisse und Vorhersagekraft beeinflusst
- Lösungsstrategien entwickeln, um Qualität aktiv zu messen und in den Data-Science-Alltag zu integrieren
- Teilnehmende lernen, verlässliche Daten für nachhaltige Analysen zu schaffen