• Organisatorisches
• Warum Daten? Use-Cases
• Analytics-Stufen: descriptive, diagnostic, predictive, prescriptive
• Einordnung KI, ML, ChatGPT
• CRISP-DM

• DataScience1-00-Folien.pdf
• DataScience1-01-Folien.pdf

• DataScience1-Uebung01.pdf
• DataScience1-Datentagebuch.pdf

Vorlesung (online, 9:00 Uhr):

• Rückblick: CRISP-DM und Business Understanding
• Das Übersetzungsproblem: vom Geschäftsproblem zur Analysefrage
• Das Machine Learning Canvas
• Use Case: Retouren bei der Brick-Flow AG, Datenbank (ER-Modell)
• Demo: Apache Superset

Hausaufgabe (in den Gruppen aus Übung 1, Vorstellung am 22.10.):

• Einarbeitung in die Retourenproblematik
• Interpretation des ER-Modells
• Definition einer KPI für das Retourenproblem
• Machine Learning Canvas für Brick-Flow
• optional: erste Exploration in Apache Superset

• DataScience1-02-Folien.pdf

• DataScience1-Hausaufgabe02.pdf

Vorlesung:

• Vorstellung der Gruppenergebnisse: Retouren-KPIs und ML-Canvas
• Warum ergeben sich unterschiedliche Retourenquoten?
• Die Schoko-Fabrik: Online-Shop, LEGO-Fabrik und Apache Superset
• Rohstoff-Frage: Angebot und Nachfrage je Kugelfarbe

Übung (Bestellen + Exploration):

• Schokokugeln im Shop bestellen, Bestand live in Superset verfolgen
• Superset: Datenbank erkunden, Angebot und Nachfrage auswerten
• Wie zählen wir die Kugeln? Vom Sensor-Messstrom zum Datensatz
• Erinnerung: das Prinzip des maschinellen Lernens

• DataScience1-Schokofabrik.pdf

• DataScience1-Hausaufgabe03.pdf
• kugeln_hausaufgabe.csv