Fortgeschrittene Anwenderinnen und Anwender vertiefen ihr Wissen in Statistik, Machine Learning und Datenanalyse. Der Fokus liegt auf praxisnahen Anwendungen mit Python, Power BI und SQL, kombiniert mit fundierten statistischen und analytischen Methoden für datenbasierte Entscheidungsprozesse.
Inhaltsübersicht- 1. Interaktive Datenvisualisierung mit Power BI
- 2. Datenanalyse mit Python und pandas
- 3. Einführung in die Konzepte der Data Science
- 4. Arbeiten mit SQL und relationalen Datenbanken
- 5. Supervised Learning in der Praxis
- 6. Grundlagen des Machine Learning
- 7. Lernformate: Gruppenunterricht und Selbststudium
- 8. Wesentliche Fähigkeiten für moderne Data Scientists
Interaktive Datenvisualisierung mit Power BI
- Erstellen von dynamischen Dashboards und Visualisierungen zur verständlichen Datenkommunikation
- Datenimport, -transformation und DAX-Funktionen gezielt einsetzen
- Power BI als Tool zur Entscheidungsunterstützung im Business-Kontext nutzen
Datenanalyse mit Python und pandas
- Grundlagen der Programmierung in Python systematisch anwenden
- Daten bereinigen, transformieren und analysieren mit pandas
- Explorative Datenanalysen durchführen und Muster aus komplexen Datensätzen ableiten
Einführung in die Konzepte der Data Science
- Überblick über zentrale Konzepte, Rollenprofile und Anwendungsfelder von Data Science
- Einordnung typischer Workflows von der Datenaufnahme bis zur Modellimplementierung
- Werkzeuge und Methoden zur Gewinnung datengestützter Erkenntnisse kennenlernen
Arbeiten mit SQL und relationalen Datenbanken
- Datenbankstrukturen verstehen und mit SQL effizient abfragen
- Joins, Aggregationen und Unterabfragen zur Analyse relationaler Daten einsetzen
- SQL als verbindendes Element zwischen Datenbanken und Analyseprozessen nutzen
Supervised Learning in der Praxis
- Überwachte Lernmethoden wie Regression und Klassifikation gezielt einsetzen
- Modelle trainieren, validieren und mit realen Datensätzen anwenden
- Hyperparameter optimieren und Modellqualität systematisch bewerten
Grundlagen des Machine Learning
- Konzepte des maschinellen Lernens verstehen und in Analyseprojekte integrieren
- Unterschied zwischen überwachten und unüberwachten Lernverfahren erkennen
- Machine Learning als Bestandteil datengetriebener Strategien einsetzen
Lernformate: Gruppenunterricht und Selbststudium
- Didaktisch strukturierter Gruppenunterricht mit praktischen Anwendungen
- Flexibles Selbstlernen mit individueller Begleitung und Rückmeldung
- Integration beider Formate zur optimalen Kompetenzentwicklung
Wesentliche Fähigkeiten für moderne Data Scientists
- Kombination aus Python, Statistik, Machine Learning und BI-Tools sicher anwenden
- Methoden wie Clusteranalyse, Varianzanalysen und Data Modelling in die Praxis überführen
- Moderne Technologien wie neuronale Netze, AI-Ansätze und Test Driven Development verstehen
- Analytisches Denken und datenbasierte Problemlösungsstrategien gezielt ausbauen