DataScience Basislehrgang

*iDieser DataScience Basislehrgang bietet sowohl Personen mit IT-Erfahrung, Spezialisten (Entwickler*innen, Datenbankadministrator*innen, Systemengineers,..),  als auch Personen aus dem Fachbereich  (Statistiker*innen, BI-Spezialist*innen, Business-Analyst*innen,…) eine umfassende Weiterentwicklung für neue Standards und bietet die Grundlage für eine Entwicklung Richtung DataScience Profi.

Dabei werden Fragen beantwortet, die Sie sich in Ihrer Tätigkeit bisher vielleicht noch gar nicht gestellt haben:

• Was ist der Unterschied zwischen Business Intelligence und DataScience?
• Wie kann DataScience sinnvoll angewandt werden?
• Bin ich als DataScientist nun IT-Profi oder Statistiker*in?

Oder aber auch technische Fragen wie z.B.:

• Wie funktioniert die Modellierung von Daten?
• Was benötige ich wenn ich Daten in Systeme integrieren möchte?
• Wie analysiere und visualisiere ich Daten richtig?
• Und was habe ich bezüglich Gesetze und Vorschriften dabei zu beachten?

Dieses Seminar wird in Zusammenarbeit solvistas Academy GmbH veranstaltet.
  
 

Dieser Basislehrgang gliedert sich oline in 8 Module zu je 1/2 Tag oder vor Ort in 4 Tage:

Darum DataScience

• Die Grundlagen von DataScience
• Der Mehrwert beim Einsatz von DataScience
• Data Science Rollen
• Das Berufsbild Data Scientist
• Die Unterschiede zu DataLake, DataEngineering, DataMining, Digitalisierung und BigData, u.a.
• Unterschied und Klärung der Begriffe IoT und Cloud Computing
• Data Science Projektablauf
• Wert der Daten verstehen

 
Be a Data Artist

• Grundlagen und Vorteile von Visualisierungen
• Allgemeine Designrichtlinien
• Regressions- und Klassifizierungsmodelle
• UX-Design Richtlinien
• Reports und Dashboard Designs
• Analyse von Reports

Datenarchitektur

• Überblick über das Thema Datenarchitektur (Big Picture Data Architecture)
• Klassische DWH-Architektur
• Herausforderungen und Lösungsansätze im Big Data Bereich
• Unterschiede zwischen Data Lakes, Data Hubs, Data Meshes und Data Fabrics
• Vorteile des Cloud Computing
• Die Schritte von der Vision bis zur Umsetzung (Checkliste zum Projekt Setup)

Datenmodellierung und -aufbereitung

• DWH Modellierungsgrundlagen Inmon, Kimball, Linstedt
• Was ist der Unterschied zw. ETL und ELT?
• Wie historisiert man Daten?
• Welche Arten der Datenbereinigung gibt es, um die Qualität zu steigern?
• Was ist CDC und welche Implementierungsarten gibt es?

 
Datenintegration 

• NoSQL
• Datenintegration mit NoSQL
• Datenintegration im Big Data Umfeld und in Cloud Umgebungen
• ETL-Strecken bauen und worauf dabei zu achten ist
• Die Qualität der Datenintegration innerhalb der ETL-Strecke
• Scheduling Möglichkeiten

 
Analytics in Theory

• Grundlagen von Machine Learning und Artificial Intelligence
• Arten an Zielsetzungen und Aufgaben von Data Analytics
• Methoden und Algorithmen
• Einsatz von Methoden aus dem Machine Learning und deren Einsatz

Analytics in Action

• Überblick über Tools für Datenanalyse
• Einsatz von ML-Algorithmen
• Einfaches Anwenden von Algorithmen in Python
• Tuning – wie können bessere Ergebnisse erzielt werden?
• Ablauf einer Datenanalyse

Trend und Use Cases

• aktuelle/ neue Schlagwörter aus der Welt des Data Science
• Wichtigkeit der Datenstrategie
• Aktuelle Anwendungsfälle von Data Science
• neue Arbeitsformen durch DataScience

• Entwickler*innen
• Datenbankadministrator*innen
• Systemengineers
• Statistiker*innen
• BI-Spezialist*innen
• Business-Analyst*innen

Es sind keine Vorkenntnisse für den Besuch des Kurses notwendig.