Predictive Analytics & Machine Learning auf Big Data

Der Kurs verbindet zwei Welten, die in vielen Organisationen getrennt sind: Data Engineering mit verteilten Systemen und Data Science mit Modellen. In der Reihe der Data-Science-Seminare gehört er zu den Vertiefungen, gleichrangig mit den Seminaren zur Zeitreihenanalyse. Wer anschließend den Betrieb der Modelle vertiefen will, findet in den MLOps-Seminaren die Fortsetzung.

Praxisbezug im Gesundheitswesen

Große Datenmengen fallen im Gesundheitswesen vor allem bei Krankenkassen und in Klinikverbünden an, etwa Abrechnungsdaten mehrerer Jahre über Millionen Versicherte oder zusammengeführte Leistungsdaten vieler Standorte. Typische Prognosen betreffen die Entwicklung von Leistungsausgaben je Leistungsbereich, das erwartete Antragsaufkommen in der Sachbearbeitung oder die Belegung über alle Häuser eines Verbunds. Bevor solche Daten in ein Lakehouse gelangen, sollten sie pseudonymisiert und die Zugriffe nach Rollen getrennt werden, da es sich um Gesundheitsdaten nach Art. 9 DSGVO handelt. Für Krankenhäuser kann § 6 GDNG die Weiterverarbeitung eigener Versorgungsdaten, etwa zur Qualitätssicherung, erlauben; die Voraussetzungen klären Sie mit Ihrem Datenschutz. Monitoring und Retraining sind wichtig, weil sich Abrechnungsregeln und Versorgungsstrukturen regelmäßig ändern und Modelle sonst unbemerkt an Aussagekraft verlieren.

In dieser 4-tägigen Schulung "Predictive Analytics & Machine Learning auf Big Data" erlernen Sie die Grundlagen und fortgeschrittenen Techniken, um Machine-Learning-Modelle auf großen Datenmengen effizient zu entwickeln, zu trainieren und in produktive Umgebungen zu überführen. Der Fokus liegt auf der praktischen Anwendung von Big-Data-Technologien wie Apache Spark sowie der Integration mit Python-basierten ML-Frameworks.

Die Schulung vermittelt Ihnen ein tiefes Verständnis für die Besonderheiten von Machine Learning im Big-Data-Kontext – von der Datenaufbereitung über die Modellierung bis hin zum Deployment. Sie werden befähigt, Herausforderungen wie Skalierbarkeit, Echtzeitverarbeitung und Modellinterpretation zu meistern. Durch praxisnahe Übungen und reale Use Cases erlangen Sie die Kompetenz, End-to-End-Pipelines für Predictive Analytics selbstständig zu konzipieren und umzusetzen.

Am Ende der Schulung sind Sie in der Lage:

• die Unterschiede zwischen klassischem und Big-Data-ML zu benennen und anwendungsbezogen zu bewerten,
• Datenaufbereitung und Feature Engineering mit Spark und Pandas durchzuführen,
• ML-Modelle mit Spark MLlib und Python-Frameworks wie SciKit-Learn oder TensorFlow zu trainieren und zu optimieren,
• fortgeschrittene Algorithmen wie Random Forests oder Gradient Boosting gezielt einzusetzen,
• Modelle in Batch- und Streaming-Pipelines zu integrieren und zu deployen,
• Best Practices für Monitoring, Logging und Lifecycle-Management anzuwenden,
• sowie eigene Predictive-Analytics-Projekte von der Datenaufbereitung bis zur Modellinterpretation umzusetzen.

• Data Analyst
• Data Engineers
• Softwareengineers

• Python-Grundkenntnisse
• SQL oder Big Data Grundlagen

Die Schulung bietet Ihnen eine ausgewogene Mischung aus Theorie und Praxis. Sie tauschen sich direkt mit projekterfahrenen Trainerinnen und Trainern und den anderen Teilnehmenden aus.