Sprawna praca w KNIME - Nauczysz się samodzielnie instalować, konfigurować i sprawnie obsługiwać środowisko KNIME, dzięki czemu szybciej rozpoczniesz projekty analityczne i unikniesz typowych problemów na starcie.
Budowa kompletnych workflow - Opanujesz tworzenie, porządkowanie oraz import i eksport workflow, więc zbudujesz przejrzyste przepływy danych, które łatwo rozwijać, dokumentować i przekazywać dalej w zespole.
Pewny import danych z wielu źródeł - Nauczysz się wczytywać dane z plików XML, CSV i TXT oraz z relacyjnych baz danych i zapytań SQL, dzięki czemu połączysz rozproszone źródła w jeden spójny proces analityczny.
Przygotowanie danych do analizy - Dowiesz się, jak czyścić, ujednolicać i przekształcać dane, pracować na kolumnach i rekordach oraz oceniać ich jakość, aby przygotować rzetelny materiał do dalszego modelowania.
Automatyzacja z użyciem zmiennych i pętli - Poznasz praktyczne użycie zmiennych, pętli i mechanizmów automatyzacji, więc ograniczysz ręczne operacje i zbudujesz procesy, które łatwo uruchamiać cyklicznie dla nowych danych.
Czytelna wizualizacja i raportowanie - Nauczysz się prezentować wyniki analiz w czytelnej formie oraz przygotowywać raporty, także cykliczne, dzięki czemu łatwiej pokażesz wnioski odbiorcom biznesowym i technicznym.
Praktyczne techniki data mining - Poznasz zadania i techniki data mining, a także obszary takie jak text mining, web mining, SNA i analiza danych na mapie, co pozwoli Ci rozszerzyć zakres realizowanych analiz.
Integracja KNIME z Pythonem, R i Java - Dowiesz się, jak łączyć KNIME z Pythonem, R i Javą, aby uzupełniać workflow o własny kod, korzystać z dodatkowych bibliotek i budować bardziej elastyczne rozwiązania analityczne.
Zanim powstaną pierwsze workflow, warto osadzić przetwarzanie i analizę danych w szerszym kontekście analitycznym. Sekcja otwierająca porządkuje cel pracy z danymi, pokazuje drogę od surowych informacji do użytecznych wyników i przygotowuje do dalszych metod oraz narzędzi.
Pracę z KNIME rozpoczyna instalacja, konfiguracja oraz orientacja w interfejsie używanym do budowy workflow analitycznych. Uczestnicy przechodzą również przez najważniejsze funkcje platformy, aby zbudować podstawę do dalszej pracy z danymi i procesami.
Skuteczna praca na platformie zależy od tego, jak jej narzędzia współdziałają w ramach jednego środowiska, a nie jako odrębne funkcje. Ta część pokazuje integrację komponentów KNIME tak, aby dostęp do danych, przetwarzanie i analiza tworzyły jeden spójny proces.
Tworzenie workflow oznacza zdefiniowanie układu kroków przetwarzania, sposobu ich działania oraz zasad obsługi w KNIME. W ramach tej sekcji omawiana jest budowa i działanie przepływów, a także mechanizmy importu i eksportu wspierające przenoszenie rozwiązań między środowiskami.
W kontekście organizacyjnym procesy przetwarzania danych powinny być opisane i przenoszone w sposób kontrolowany. Sekcja obejmuje dokumentowanie modeli biznesowych i procedur przetwarzania, a także metody importu oraz eksportu procesów potrzebne do ich utrzymania i ponownego wykorzystania.
Podstawowe węzły KNIME stanowią operacyjny fundament budowy workflow i sterowania przepływem danych między kolejnymi krokami. Uczestnicy poznają logikę działania tych elementów oraz ich zastosowanie przy odczycie, modyfikacji, łączeniu i przekazywaniu danych w procesie.
Procesy ETL łączą pobieranie, transformację i dostarczanie danych w jeden uporządkowany łańcuch operacyjny. Sekcja wyjaśnia relacje między tymi etapami w środowisku KNIME oraz pokazuje, jak dobrze zaprojektowany ETL wspiera niezawodne przekazywanie danych do analiz i raportów.
Pliki XML, CSV i TXT są częstym punktem wejścia do analizy, ale każdy z tych formatów stawia inne wymagania przy odczycie. Ta część dotyczy wczytywania surowych danych ze źródeł tekstowych, z uwzględnieniem struktury plików, parsowania i pierwszej walidacji przed dalszymi transformacjami.
Na poziomie metodycznym eksploracja danych jest traktowana jako uporządkowany sposób rozumienia zawartości zbioru przed rozpoczęciem pogłębionej analizy. Sekcja porządkuje pracę eksploracyjną wokół logiki analitycznej, od wstępnej inspekcji po formułowanie i weryfikację hipotez.
Import danych wymaga czegoś więcej niż odczytu plików, zwłaszcza gdy źródłem są relacyjne bazy danych albo dane pobierane zapytaniami SQL. W tej części omawiane są połączenia ze źródłami, ekstrakcja oparta na zapytaniach oraz praktyczne aspekty wprowadzania danych do KNIME.
Analiza danych w KNIME obejmuje drogę od rozpoznania typów danych po przygotowanie zbiorów do wiarygodnego modelowania. Zakres tej sekcji obejmuje ujednolicanie, operacje na kolumnach i rekordach, przekształcenia, badanie statystyczne, kontrolę jakości oraz podstawy modelowania danych.
Zmienne i pętle pozwalają dostosować workflow do zmieniających się parametrów, wielu wejść oraz operacji wykonywanych wielokrotnie. Uczestnicy analizują, jak wprowadzić do procesów KNIME sterowanie dynamiczne, iterację oraz uruchamianie zależne od wartości parametrów.
Budowanie automatyzacji wymaga połączenia pojedynczych elementów workflow w spójną strukturę wykonawczą. Sekcja koncentruje się na praktycznej konstrukcji procesów, z uwzględnieniem sekwencji działań, ponownego użycia komponentów oraz organizacji logiki zapewniającej stabilne, powtarzalne uruchomienia.
Wyniki analizy mają znaczenie dopiero wtedy, gdy można je poprawnie odczytać i przekazać odbiorcom w odpowiedniej formie. Ta część skupia się na wizualnym przedstawianiu rezultatów, doborze form prezentacji oraz powiązaniu wykresów i podsumowań z wnioskami uzyskanymi w KNIME.
Data mining przedstawiono przez pryzmat głównych typów zadań, przebiegu procesu analitycznego oraz znaczenia wstępnej eksploracji danych. Uczestnicy porządkują także techniki służące do wykrywania wzorców, segmentacji zbiorów i wspierania wnioskowania na podstawie danych.
Powtarzalne operacje na danych można zamknąć w workflow wykonywanych z minimalnym udziałem użytkownika. W tym fragmencie omawiane jest, jak KNIME wspiera automatyzację przygotowania i przekształceń danych, aby zapewnić spójność, kontrolę przebiegu i sprawną realizację cyklicznych zadań.
Gdy dane pochodzą z treści tekstowych, stron internetowych, relacji sieciowych lub źródeł przestrzennych, potrzebne są odmienne sposoby ich analizy. Ta sekcja łączy Web Mining, SNA, Text Mining oraz pracę z danymi na mapie jako uzupełniające podejścia do odkrywania wiedzy z danych.
Prognozowanie opiera się na zasadach budowy i oceny przewidywań tworzonych na podstawie danych historycznych. Istotnym elementem jest rozpoznawanie trendu oraz jego właściwe wykorzystanie w modelowaniu prognoz, tak aby przyszłe wartości wynikały z obserwowanych zależności, a nie z założeń intuicyjnych.
Java, R i Python rozszerzają możliwości KNIME tam, gdzie standardowe węzły nie wystarczają do realizacji konkretnego zadania analitycznego lub integracyjnego. Uczestnicy analizują rolę zewnętrznych skryptów w workflow oraz sposób łączenia logiki kodu z procesami budowanymi na platformie.
Raportowanie cykliczne koncentruje się na przekształceniu workflow analitycznych w powtarzalne zestawienia gotowe do regularnego wykorzystania. Sekcja pokazuje, jak uporządkować generowanie raportów, zachować spójność wyników w kolejnych cyklach i powiązać raport z wcześniejszym przetwarzaniem danych w KNIME.
Podstawy pracy z danymi - Powinieneś swobodnie rozumieć pojęcia takie jak rekord, kolumna, typ danych i tabela, aby sprawnie wykonywać operacje przygotowania, transformacji i analizy danych w ćwiczeniach.
Obsługa komputera i plików - Powinieneś sprawnie pracować w systemie operacyjnym, instalować aplikacje oraz zarządzać plikami i folderami, ponieważ szkolenie obejmuje konfigurację środowiska i import danych.
Podstawy SQL i baz danych - Powinieneś znać podstawy relacyjnych baz danych oraz prostych zapytań SQL, aby bez trudności rozumieć przykłady związane z pobieraniem danych i integracją źródeł.
Analityczne myślenie - Powinieneś umieć logicznie analizować problem i interpretować wyniki, ponieważ podczas szkolenia będziesz przygotowywać dane, oceniać ich jakość i wyciągać praktyczne wnioski.
