Ziel:
Einführung in die Programmierung mit Python
Beschreibung:
Teilnehmende machen sich mit der interaktiven Lernumgebung
– dem Data Lab von StackFuel – und der Programmiersprache
Python vertraut.
Kapitel 1 – Python Basics:
Teilnehmende bewegen sich zum ersten Mal im Data Lab und
machen sich mit den Grundlagen der Programmierung vertraut.
Sie lernen, Zahlen und Texte als Variablen in Python zu speichern
und diese als Gruppen in Listen zu bündeln. Die sachgemäße
Leseart von Fehlermeldungen rundet das Grundlagenwissen ab.
Kapitel 2 – Programming Basics:
Teilnehmende bauen ihre Programmiergrundlagen weiter
aus. Die Anwendung von Funktionen und Methoden sowie von
Ablaufkontrollen mithilfe von Bedingungen stehen im Fokus
dieses Kapitels.
Kapitel 3 – Loops and Functions:
Das letzte Kapitel des Grundlagenmoduls widmet sich der
Ablaufkontrolle unter Verwendung von Schleifen. Teilnehmende
erweitern ihren Funktionsumfang durch das Importieren
weiterer Python-Pakete und erhalten einen Einblick in die
Versionierung von Code mit Git. Mit Abschluss des Kapitels kennen
Teilnehmende die wichtigsten Programmierungskonzepte, die für
die Arbeit als Data Analyst wichtig sind
Ziel:
Eigenständige Sammlung, Analyse und Visualisierung von Daten
mit Python
Beschreibung:
Teilnehmende lernen, neue Datenquellen zu erschließen, zu
filtern und zusammenzuführen. Sie üben, Unternehmensdaten in
dynamischen Dashboards interaktiv zugänglich zu machen und
selbstständig klassische Datenverarbeitungsprozesse durchzuführen
(Daten einlesen, filtern, reinigen verarbeiten und visualisieren).
Kapitel 1 – Data Pipelines (Pandas):
Dieses Kapitel vermittelt die effiziente Nutzung von Pandas – das
Standardwerkzeug eines Data Analysts in Python. Teilnehmende
lernen, damit Daten in CSV-Dateien einzulesen, zu bereinigen und zu
aggregieren.
Mit Beginn des zweiten Moduls erhalten die Teilnehmenden
Hilfestellungen zur Optimierung ihrer Online-Präsenz als
Data Analyst.
Kapitel 2 – Data Exploration (Matplotlib):
Teilnehmende üben mit Hilfe von Marketingdaten die Visualisierung
verschiedener Datenniveaus. Numerische Daten werden als
Histogramme und Streudiagramme dargestellt, während
kategorische Daten als Säulen- und Tortendiagramme a
bgebildet werden.
Kapitel 3 – Predictions (Statistics):
Teilnehmende erlernen anhand von Produktbewertungen
statistische Begriffe wie Median und Quartile. Sie identifizieren
Ausreißer und erstellen einfache Vorhersagen mit der linearen
und logistischen Regression. Darüber hinaus rückt die Erzeugung
eines eigenen Data Analytics Portfolios in den Fokus der
Teilnehmenden, wofür sie praktische Tipps an die
Hand bekommen.
Kapitel 4 – Internal Data (SQL):
Die Teilnehmenden lernen, Datenbanken am Beispiel einer
Personaldatenbank auszulesen und Standard-SQL-Abfragen
zu formulieren.
Kapitel 5 – External Data (API):
Teilnehmende greifen mit Hilfe von Python auf Informationen wie
Webseiten und von StackFuel konzipierte APIs im Internet zu.
Kapitel 6 – Advanced Jupyter:
Teilnehmende lernen Jupyter-Funktionalitäten kennen und lösen
fortgeschrittene Visualisierungsprobleme wie Live-Updates und
Interaktivität im Kontext eines Akti
