Text Mining Schulung

Zielgruppe

Diese Schulung richtet sich an Data Scientists, Analyst:innen und Softwareentwickler:innen, die unstrukturierte Textdaten effizient verarbeiten und analysieren möchten.

Schulungsinhalte

• Textaufbereitung: Tokenisierung, Stemming, Lemmatization
• Feature Engineering: Bag-of-Words, TF-IDF, N-Grams
• Dokumentenklassifikation & Topic Modeling (z. B. LDA)
• Word Embeddings: Word2Vec, GloVe, FastText
• Sentiment Analysis und Named Entity Recognition (NER)
• Einsatz von Bibliotheken wie spaCy, NLTK, scikit-learn

Details & Organisation

Lernziele nach dem Lehrbaummodell

Diese Lernziele orientieren sich am Lehrbaummodell (Ellmann 2022) und fördern nachhaltiges Lernen auf kognitiver, motivationaler und metakognitiver Ebene.

• Stamm: Planung & Motivation: Die Teilnehmenden erkennen die Potenziale automatisierter Textanalyse, formulieren persönliche Lernziele und sind motiviert, unstrukturierte Daten nutzbar zu machen.
• Kommunikation: Die Lernenden diskutieren Anwendungsbeispiele für Sentiment Analysis, Klassifikation oder NER, tauschen Erfahrungen mit Bibliotheken wie spaCy oder NLTK aus und reflektieren die Vor- und Nachteile unterschiedlicher Ansätze.
• Material & Struktur: Die Teilnehmenden arbeiten mit strukturierten Notebooks, annotierten Code-Beispielen, Beispieldatensätzen sowie Visualisierungen von Termfrequenzen, Topics und Embeddings.
• Gedächtnis & Aufmerksamkeit: Zentrale Konzepte wie Tokenisierung, TF-IDF, LDA oder Word Embeddings werden durch praktische Übungen, visuelle Darstellung und wiederholte Anwendung tiefgreifend gefestigt.
• Aktivierung & Lernstörung: Die Teilnehmenden trainieren Textklassifikatoren, analysieren Modellfehler, optimieren Feature-Sets und stärken ihre Problemlösefähigkeit im Umgang mit realen Textdaten.
• Gipfel: Überprüfung & Transfer: Die Lernenden evaluieren ihre Modelle anhand realer Textdaten, dokumentieren Analyseprozesse und übertragen das Gelernte auf eigene Projekte oder unternehmensspezifische Anwendungen.

Kursbezogene Ziele

• Effiziente Aufbereitung und Analyse von Textdaten
• Automatisierte Textklassifikation und Themenextraktion
• Anwendung moderner Machine Learning-Methoden auf Text

Quelle des Lehrbaummodells zur Gestaltung effektiver Lehre in der IT vom Inhaber: M. Ellmann (2022).
Effektives Lehren und Lernen in der Informatik, Wirtschaftsinformatik und verwandten Fachgebieten.
Veröffentlicht in: Informatik Spektrum, Springer Nature.
SPRINGER NATURE Link: https://doi.org/10.1007/s00287-022-01436-5

Nächste Kurstermine

Hinweis: Gesetzliche Feiertage wurden bei der Terminberechnung automatisch berücksichtigt.

Startzeitraum	Kontakt
17 Nov 2025 bis 21.11.2025 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
01 Dec 2025 bis 05.12.2025 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
15 Dec 2025 bis 19.12.2025 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
29 Dec 2025 bis 05.01.2026 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
12 Jan 2026 bis 16.01.2026 5 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.

Weiteren Termin anzeigen

Kein passender Termin dabei? Gerne prüfen wir individuelle Schulungswünsche.

Mathias Ellmann

Ing., M. Sc.