In dieser Weiterbildung erlernen Sie die Grundlagen der Datenvisualisierung mit Microsoft Power BI und erhalten eine Einführung in die Methoden der Data Science. Sie werden befähigt, Daten aus verschiedenen Quellen zu importieren, zu bereinigen und für Analysen vorzubereiten. Ein Schwerpunkt liegt auf der Erstellung interaktiver Berichte und Dashboards, die komplexe Daten verständlich darstellen. Sie erwerben Kenntnisse in der Anwendung von Data-Science-Techniken innerhalb von Power BI, einschließlich der Integration von Programmiersprachen wie Python und R. Dies ermöglicht Ihnen, erweiterte Analysen durchzuführen und maschinelles Lernen für Prognosen und Mustererkennung einzusetzen. Zudem lernen Sie, Datenmodelle zu erstellen und DAX-Funktionen für benutzerdefinierte Berechnungen zu nutzen. Die Weiterbildung kombiniert theoretische Inhalte mit praktischen Übungen. Anhand von Fallstudien wenden Sie die erlernten Techniken direkt an und festigen Ihr Wissen durch die Bearbeitung realitätsnaher Szenarien. Nach Abschluss sind Sie in der Lage, Daten effektiv zu visualisieren, fundierte Analysen durchzuführen und datenbasierte Entscheidungen in Ihrem beruflichen Umfeld zu unterstützen.

Grundlagen Power BI & Benutzeroberfläche
  • Einführung in Power BI mit Fokus auf Datenvisualisierung
  • Benutzeroberfläche von Power BI
  • Datenquellen verbinden und importieren mit Anwendungen aus der Datenvisualisierung
  • Freigabe von Analysen und Dashboards

Visualisierung & Interaktive Dashboards
  • Visualisierung gestalten mit Kenntnissen im Bereich Datenvisualisierung
  • Interaktive Dashboards gestalten
  • Filter und Hierarchien mit Schwerpunkt auf Datenvisualisierung
  • Datenvisualisierung

Datenanalyse & DAX
  • Arbeiten mit Power Query mit Bezug zur Datenvisualisierung
  • Aggregationen und Berechnungen
  • Berechnungen mit DAX-Ausdrücken und Anwendungen aus der Datenvisualisierung
  • Datenvorbereitung für Power BI

Erweiterte Data Science & Machine Learning
  • Einführung in Pandas und Dataframes mit Fokus auf Datenvisualisierung
  • Einführung in Machine Learning
  • K-nearest-neighbor-Klassifizierung mit Einbindung von Methoden aus der Datenvisualisierung
  • Logistische Regression
  • K-Means Clustering mit spezifischen Beispielen für Datenvisualisierung
  • Einführung in Neuronale Netze
  • Gradientenabstiegsverfahren mit Anwendungen in der Datenvisualisierung
  • Hyperparameteroptimierung