Das CAS Data Analysis 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 Data Analysis erwerben sowohl theoretische Grundlagen als auch praktische Fähigkeiten in den folgenden Bereichen:

• Beschreibung und grafische Darstellung von Daten
• Statistischen Konzepte zur Datenanalyse und dazugehörige Interpretationen
• Prüfen der Modelleignung (Residuen-Analyse, Anpassungstest)
• Prognosen und Bestimmung von Prognoseunsicherheiten mit statistischen Regressionsmodellen
• Methoden zur Strukturentdeckung in Daten und Verfahren zur Klassifizierung von Objekten.

Modul A "Data Visualisation"

Lernziele

• Sie können Daten gemäss ihrem Typ geeignet beschreiben und grafisch darstellen (mit R).
• Sie erkennen missbräuchliche Anwendungen von grafischen Darstellungen.
• Sie können für einen gegebenen Datensatz selbständig eine deskriptive Analyse in R durchführen.

Inhalte

• Einführung in die Statistiksoftware R und der Entwicklungsumgebung RStudio
• Datentypen in unabhängigen Stichproben und Zeitreihen
• Kennzahlen und grafische Darstellungen für uni- und bivariate Daten
• Do’s and dont’s der grafischen Darstellung von Daten

Modul B "Statistical Inference"

Lernziele

• Sie können mit einfachen statistischen Modellen umgehen.
• Sie kennen die statistischen Konzepte der Schätzung, des Hypothesentests sowie des Vertrauensintervalls und können diese in der Praxis anwenden (mit R).
• Sie sind vertraut mit dem Simpson-Paradoxon.

Inhalte

• Statistisches Modell versus Daten
• Zufallsvariable, deren Verteilungen und Kennzahlen
• bedingte Verteilungen und Simpson-Paradoxon
• Schliessende Statistik (Schätzen, Vertrauensintervall, Statistische Tests) bei Zähldaten (Poisson- und Binomial-Modell) und bei metrischen Daten (Normal- und Exponentialverteilung)
• Dispersion- und Anpassungstest

Modul C "Statistical Regression Analysis"

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.

Inhalte

• Einfache und multiple lineare Regression
• Modellvielfalt, Transformationen
• Parameterschätzung via Kleinste Quadrate
• Statistische Tests und Vertrauensintervalle
• Prognose und Prognosebereiche
• Residuenanalyse, Variablenselektion, Kreuzvalidierung und Modellbaustrategien
• Interpretation, Kollinearität

Modul D "Clustering and Classification"

Lernziele

• Sie können gängige Methoden zur Strukturentdeckung in Daten anwenden
• Sie können mit einer Auswahl von Klassifikationsverfahren Daten gestützt die Klassenzugehörigkeit eines Objekts ermitteln
• Sie können die Klassifikationsperformance bei einem gegebenen Datensatz ermitteln.

Inhalte

• Visualisierung von und Strukturerkennung in multivariaten Daten:
  • Ähnlichkeits- und Distanzmasse,
  • Dimensionsreduktion (z.B. Hauptkomponentenanalyse, Multidimensional Scaling),
  • Hierarchische und partitionierende Cluster-Verfahren
• Klassifikationsverfahren:
  • kNN, Klassifikationsbäume, Random Forest, etc.
  • Performance-Masse bei Klassifikationsverfahren (Konfusionsmatrix, Fehlerrate, Sensitivität, Spezifität etc.) und Performance-Messung durch z.B. Kreuzvalidierung

Das Weiterbildungsprogramm umfasst verschiedene Aktivitäten, wie etwa Unterricht, praxisorientierte Übungen und Fallbeispiele, Gruppenarbeiten und Selbststudium (Vor- und Nachbereitung).

Das CAS Data Analysis 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 ca. je zur Hälfte aus Unterricht und praktischem Arbeiten besteht. In den praktischen Arbeiten vertiefen die Teilnehmerinnen und Teilnehmer das Gelernte an konkreten Beispielen, die mit der Software R/RStudio 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, IDP
• Dr. Anna Drewek, IDP
• Dr. Martin Frey, IDP
• Dr. Christoph Hofer, IDP
• Dr. Thoralf Mildenberger, IDP
• Prof. Dr. Andreas Ruckstuhl, IDP
• Prof. Dr. Beate Sick, IDP

Zulassungsbedingungen für Personen mit Hochschulabschluss

Die Zulassung zum Lehrgang setzt voraus:

• Abschluss (Diplom, Lizentiat, Bachelor- oder Masterabschluss) einer staatlich anerkannten Hochschule beziehungsweise einer der Vorgängerschulen.
• 2 Jahre qualifizierte Berufserfahrung zum Zeitpunkt des Starts der Weiterbildung.

Zulassungsbedingungen für Personen ohne Hochschulabschluss

Die Zulassung zum Lehrgang setzt voraus:

• Nachweis eines Abschlusses in der höheren Berufsbildung (Tertiär-B): Berufsprüfung BP (eidgenössischer Fachausweis) oder Höhere Fachprüfung HFP (eidgenössisches Diplom) oder Höhere Fachschule HF. In Ausnahmefällen können weitere Personen zugelassen werden, wenn sich deren Befähigung zur Teilnahme aus einem anderen Nachweis ergibt.
• 3 Jahre qualifizierte Berufserfahrung zum Zeitpunkt des Starts der Weiterbildung.
• Bestehen eines Zulassungsgesprächs.

Zusätzliche Anforderungen

Grundkenntnisse der Programmierung in einer beliebigen Programmiersprache und Affinität zu Datenbanken und zur Datenanalyse sind von Vorteil. Interessenten, welche eine systematische und vertiefte Einführung in die Programmiersprache R suchen, empfehlen wir den Besuch des Weiterbildungskurses R Boot Camp.

Wir führen keine Wartelisten und bieten keine Platzreservationen an.

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