Das CAS Datenanalyse richtet sich an Personen, die

• Unternehmensdaten oder öffentliche Daten bearbeiten (z.B. AnalytikerInnen),
• datengestützte Entscheidungsgrundlagen (Erstellen von Berichten und/oder statistischen Modellen) liefern müssen,
• Produktions- oder Betriebsprozesse überwachen und regeln,
• Kundendaten auswerten.

Die Absolventinnen und Absolventen des CAS Datenanalyse

• können Daten geeignet beschreiben und grafisch darstellen,
• kennen die statistischen Konzepte der Schätzung, des Hypothesentests sowie Vertrauensintervalls,
• können statistische Modelle zur Analyse von Daten einsetzen (unter anderem das Poisson-Modell für Zähldaten und das multiple lineare Regressionsmodell für kontinuierliche Daten),
• können beurteilen, ob Daten zu einem statistischen Modell passen (Residuen-Analyse),
• können multiple lineare Regressionsmodelle und exponentielle Glätter für die Prognose einsetzen und Prognoseunsicherheiten bestimmen,
• kennen Methoden zur Strukturentdeckung in Daten, Kriterien zur Klassifizierung und Klassifikationsverfahren.

Folgende Fragestellungen stehen im Zentrum des CAS Datenanalyse:

• Wie können Daten beschrieben und dargestellt werden?
• Welche Informationen sind in den Daten enthalten, wie werden diese sichtbar gemacht und welche Schlüsse können daraus gezogen werden?
• Wie und welche Daten sollen erhoben werden?

Modul A "Statistische Grundlagen der Datenanalyse"

Lernziele

• Sie können Daten geeignet beschreiben und grafisch darstellen (mit R)
• Sie erkennen missbräuchliche Anwendungen von grafischen Darstellungen.
• Sie können mit einfachen statistischen Modellen umgehen.
• Sie kennen die statistischen Konzepte der Schätzung, des Hypothesentests sowie des Vertrauensintervalls und können sie in der Praxis anwenden (mit R)
• Sie sind vertraut mit dem Simpson-Paradoxon.

Inhalte

• Einführung in das zu verwendende Statistikprogram (R mit R-Studio)
• Datentypen, Verteilung und Kennzahlen
• Datenvisualisierung
• Do’s and dont’s der grafischen Darstellung von Daten
• Statistisches Modell versus Daten
• Zufallsvariable
• Schliessende Statistik (Schätzen, Vertrauensintervall, Testen) bei Zähldaten (Poisson- und Binomial-Modell) und bei metrischen Daten (Normalverteilung)
• zentraler Grenzwertsatz.

Modul B "Multiple Regression und Prognose"

Lernziele

• Sie können das multiple lineare Regressionsmodell zur Analyse von metrischen Daten (z.B. Messdaten) und zur Prognose einsetzen.
• Sie können beurteilen, ob das Regressionsmodell zu den Daten passt (Residuen-Analyse).
• Sie können ein Regressionsmodell Daten gestützt entwickeln.
• Sie kennen die Eigenheiten von Zeitreihen.
• Sie können Zeitreihen in ihre Bestandteile zerlegen.
• Sie können exponentielle Glätter für die Prognose einsetzen und Prognoseunsicherheiten bestimmen.

Inhalte

• Multiple lineare Regression
• Modellvielfalt
• Schätzung der Parameter, Hypothesentest und Vertrauensintervalle
• Prognose und Prognose-Bereiche, Residuen-Analyse, Variablenselektion, Kreuzvalidierung und Modellbaustrategien
• Interpretation, Transformationen
• Was sind Zeitreihen?
• STL-Zerlegung
• Autokorrelation
• Zeitliche Prognosen mit exponentieller Glättung
• AR-Prozess

Modul C "Clustering und Klassifikation"

Lernziele

• Sie können gängige Methoden zur Strukturentdeckung in Daten anwenden
• Sie können einem Objekt mit einer Auswahl von Klassifikationsverfahren Daten gestützt seine Klassenzugehörigkeit ermitteln
• Sie können die Performance bei einem gegebenen Datensatz ermitteln

Inhalte

• Hierarchische Cluster-Verfahren
• Heatmap
• Klassifikationsbaum
• Bootstrapping
• Random Forest
• Beurteilung eines Klassifikators (Fehlerrate, Sensitivität, Spezifität, etc.)

Vorlesungen, praxisorientierte Übungen und Fallbeispiele, Gruppenarbeiten und Selbststudium (Vor- und Nachbereitung)

Das CAS Datenanalyse wird berufsbegleitend absolviert. Der Unterricht findet einmal pro Woche mittwochs von 9:00 bis 17:00 (8 Lektionen) statt. Ein Unterrichtstag ist in zwei Blöcke von je 4 Lektionen unterteilt, wobei ein Block aus 2 Lektionen Unterricht und 2 Lektionen praktischem Arbeiten besteht. In den praktischen Arbeiten vertiefen die Teilnehmerinnen und Teilnehmer das Gelernte an konkreten Beispielen, die mit einer entsprechenden Software auf dem eigenen Laptop bearbeitet werden.

Den individuellen Stundenplan erhalten die Studierenden spätestens einen Monat vor Studienbeginn. Die schulfreie Zeit richtet sich nach den Schulferien der Stadt Winterthur.

Das Team der Dozierenden besteht aus ausgewiesenen Fachpersonen mit Kompetenzen im akademischen und praktischen Bereich. Hier ein Auszug der Dozierendenliste:

• Dr. Marcel Dettling
• Dr. Christoph Hofer
• Prof. Dr. Andreas Ruckstuhl
• Prof. Dr. Beate Sick

Wir führen keine Wartelisten und bieten keine Platzreservationen an.

Sollte bei der vorangehenden Durchführung ein Platz frei werden, berücksichtigen wir die Reihenfolge gemäss Anmeldeeingang.

Broschüre bestellen