- Erkundung von Data Analytics, Quellen und Rollen in Daten
- Verstehen der Datenbearbeitung, Datenqualität und ethischen Aspekte in Data Analytics
- Praktische Anwendung von Github, Markdown und Spreadsheets zur Datenanalyse-Initiierung
Big Data Analytics mit Python-Technologien
- Programmierung in Python: Verantwortlichkeiten, Schleifen und Funktionalitäten für Data Analytics
- Anwendung von Data Analytics mit Python: Dictionaries, Listenstrukturen und Schleifen
- Mini-Projekte für die praktische Implementierung von Data Analytics in realen Szenarien
Effiziente Datenbearbeitung mit Pandas
- Umgang mit Data Wrangling, Data Cleaning und Data Aggregation in Big Data-Umgebungen
- Erstellen wirkungsvoller Visualisierungen aus umfangreichen Big Data-Sets
- Verwendung von statistischen Methoden für fortgeschrittene Data Analytics mit Pandas
Erweiterte Analytics Methoden
- Einsatz von Lineare Regression, Clustering und A/B Testing für Big Data Analytics
- Nutzung von Konfidenzintervallen, Verteilungen und analytischem Denken zur Optimierung von Data Analytics
- Umsetzung analytischer Modelle auf komplexen Big Data
Data Engineering & Visualisierungs-Infrastruktur
- Verwendung von DBT und Data Pipelines für effizientes Big Data Engineering
- Nutzung von SQL und Cloud-Datenbanken zur skalierbaren Data Analytics
- Erstellen interaktiver Dashboards mit Tableau zur Big Data-Darstellung