Datenvisualisierung mit Tableau in der Gebäudeautomation in Regelungstechnik und Fehlerdiagnose, mit Zusatzqualifikation Python

Nach Abschluss dieser Weiterbildung verfügen Sie über Kenntnisse in der Datenvisualisierung mit Tableau, insbesondere in der Anwendung auf die Gebäudeautomation in den Bereichen Regelungstechnik und Fehlerdiagnose. Sie werden in der Lage sein, Daten mit Python zu verarbeiten und verschiedene Analysetechniken anzuwenden. Sie lernen, wie Sie mithilfe von Data Science-Methoden Daten auswerten und Algorithmen ableiten können, um Erkenntnisse in praxisnahe Handlungsanweisungen umzusetzen. Nach Absolvierung der Maßnahme können Sie in den Bereichen Gebäudeautomation, Regelungstechnik und Datenanalyse tätig werden.

Grundlagen der Visualisierung und Regelungstechnik

• Einführung in Tableau und Verstehen von Datenmodellierung
• Datenvisualisierung mit Tableau
• Regelungstechnische Grundlagen
• Sensoren und Aktoren für die Regelungstechnik
• Regelalgorithmen für die Raumtemperaturregelung
• Regelungstechnik und Energieeffizienz
• Optimierung von Regelungen für den Energieverbrauch

Erweiterte Tableau-Funktionen und Integration

• Aggregationen, Berechnungen und Parameter
• Erstellen von interaktiven Dashboards
• Integration Python, R, MATLAB und Einstein Discovery
• Erstellen von Reporten inklusive Dashboard mit Interaktivität
• Darstellen von Veränderungen durch Ranglisten und Bump-Diagramme
• Geografische Analyse
• Datenvisualisierung geographischer Daten

Regelungstechnik und Anwendungen in der Gebäudeautomation

• Regelungstechnik für die Klimatisierung
• Regelungstechnik für Energieversorgungssysteme
• Fehlererkennung und -analyse in der Gebäudeautomation
• Diagnose-Tools und Techniken für automatisierte Systeme
• Lösungsansätze für technische Herausforderungen in der Gebäudeautomation

Programmierung und Datenverarbeitung mit Python

• Python-Skripte
• Datenstrukturen
• Grafische Benutzungsoberflächen mit tkinter
• Ein-und Ausgabe
• Modellieren mit Kellern, Schlangen und Graphen
• Testen und Tuning

Erweiterte Python-Funktionen für Datenwissenschaft

• Einführung in NumPy und Messdatenverarbeitung
• Einführung in Pandas und Dataframes
• Datenreinigung
• XML und JSON
• Datenbanken
• Grafische Benutzungsoberflächen mit QT und Multimediaanwendungen mit QT

Maschinelles Lernen und Neuronale Netzwerke

• Einführung in PyTorch
• Signalübertragung in Neuronalen Netzen
• Praxisarbeit: Programmierung Neuronales Netzwerk
• Automatische Bilderkennung
• Praxisarbeit: Optimierung Neuronales Netzwerk
• Tensoren
• Transfer Learning

Statistische Methoden und Abschlussprojekt

• Einführung in Faker-Bibliothek
• Erzeugung synthetischer Daten
• Matplotlib Stylesheets
• Grundlegende statistische Kenngrößen
• Lineare Regression
• Multiple Regression
• Logistische Regression
• Qualifikationsprojekt Data Science