In diesem Kurs erwerben Sie grundlegende Kenntnisse in Data Analytics mit Fokus auf Python für Datenaufbereitung, Analyse und Visualisierung. Sie lernen Programmiergrundlagen, den Umgang mit Datenbanken und Web-Daten sowie wichtige statistische Verfahren wie lineare und logistische Regression. Praxisnahe Übungs- und Abschlussprojekte vertiefen Ihr Wissen.
Im zweiten Teil bearbeiten Sie gemeinsam im Team Portfolioprojekte und wenden agile Methoden wie Daily Standups, Sprint-Planning und Kanban an. Dabei planen, setzen Sie um und präsentieren Ihre Projektergebnisse.

Data Analytics und Portfolioprojekte DAN
  • Einführung in Python Teil 1: Zahlen, Variablen, Fehlermeldungen, Text
  • Einführung in Python Teil 2: Funktionen, Boolean-Datentyp, Wenn-Dann-Bedingungen
  • Python - Funktionen, Module und Dateien: Funktionen definieren, Funktionen, Schleifen und Bedingungen kombinieren, Module importieren, Dateien einlesen und schreiben
  • Datenaufbereitung mit dem Modul pandas: Daten einlesen, aufbereiten und Qualität prüfen mit pandas, Erkennen fehlender Werte, Daten visualisieren mit pandas
  • Explorative Datenanalyse (EDA): Skalentypen, Datenaggregation, Python-Modul matplotlib, Datenvisualisierung und ihre Einsatzgebiete, Kombinationen von Diagrammen umsetzen
  • Datenaufbereitung: Einlesen von Daten mit fehlenden Werten, entfernen fehlender Werte
  • Statistische Grundlagen: Mittelwert, Minimum und Maximum, median und Quartile, Lineare Regression, Logistische Regression
  • Datenvisualisierung und ihre Einsatzgebiete: Boxplots
  • Erstes Übungsprojekt
  • Daten aus Datenbanken: Modul SQL-alchemy, Python mit SQL-Datenbanken verknüpfen, Datenbanken auslesen, SQL-Grundbefehle
  • Datenaufbereitung: Datumsangaben in pandas, Boolesche Maskierung, Zusammenführen von Tabellen mit pandas und SQL
  • Daten von Webseiten: Datenaustausch über das Internet, Webseiten mit Python abfragen, Statuscodes von Webseiten, HTML mit Python durchsuchen, APIs mit Python abfragen
  • Magic-Commands der Jupyter-Umgebung
  • Anwendung des Data Analytics Workflows: Zweites Übungsprojekt, Abschlussprojekt Teil 1 & 2
Portfolioprojekte DAN
  • Auswahl eines Datenprojekts: Grundlagen guter Projekte, Beispielprojekt in Data Analytics, Quellen geeigneter Datensätze, Lizenzen von Datensätzen, Aufwandabschätzung von Datenprojekten
  • Set-Up der Arbeitsumgebung: Lokale Installation von Python und benötigten Modulen, Einführung in Git-Hub Pages, optionale Kurzeinfühung in Git
  • Strukturiertes Arbeiten in Datenteams: Data Analytics Workflow
  • Beginn der Portfolioarbeit: Vorbereitung, Einteilung in Teams und Zuweisung zu vorgeschlagenen Projekten, Erstellen eines Projektsplans und Verteilung der Aufgaben
  • Grundlagen des agilen Projektmanagements: Daily Standups, Sprint-Planning, Sprint-Retro, Kanban, Online-Projektmanagementtools
  • Fortführung der Projektarbeit
  • Abschluss der Projektarbeit
  • Abschlusspräsentation

Diese Weiterbildung ist individuell mit unseren anderen Lehrgängen kombinierbar. Die Dauer ist abhängig von den gewählten Modulen.