Qualifizierung für die Jobrolle als Data Scientist

Zertifikatslehrgang Data Analytics & Data Science

Kursbeschreibung

Der Zertifikatslehrgang Data Analytics & Data Science befähigt Dich dazu, Daten selbständig zu reinigen, aufzubereiten, zu visualisieren sowie komplexe Prognosemodelle zu entwickeln und zu verifizieren. Neben Kenntnissen in der Programmiersprache Python sorgen die vermittelten Konzepte des Machine Learnings dafür, dass Du nach erfolgreichem Abschluss Deiner Weiterbildung zum Data Scientist in analytischen Rollen, z.B. als (Junior) Data Analyst, (Junior) Business Intelligence Analyst oder (Junior) Financial Analyst und in fortgeschrittenen analytischen Rollen, z.B. als (Junior) Data Scientist oder (Junior) Machine Learning Engineer, arbeiten kannst. Die Data Scientist Zertifizierung belegt Deine neuen Kenntnisse und Fähigkeiten und ermöglicht Dir so einen erfolgreichen Quereinstieg.

In Deiner Weiterbildung zum Data Scientist lernst Du

  • Daten selbständig einlesen, bereinigen und filtern
  • Daten explorativ mithilfe von deskriptiver Statistik analysieren
  • Komplexe Prognosemodelle entwickeln und verifizieren
  • Skripte in der Programmiersprache Python erstellen
  • Datenmodelle zur Vorhersage von Businessszenarien bauen
  • Machine-Learning-Algorithmen entwickeln
  • Best Practices für die effektive Datenvisualisierung
  • Methoden des Data Storytellings
  • Zielgruppe für die Weiterbildung zum Data Scientist

    Zielgruppe des Zertifikatslehrgangs Data Analytics & Data Science sind Arbeitssuchende, Arbeitslose oder Menschen in Kurzarbeit oder mit einem bevorstehenden Jobverlust, die sich die Weiterbildung mit einem Bildungsgutschein über die Agentur für Arbeit oder dem Jobcenter fördern lassen möchten.

    Voraussetzungen für die Teilnahme

    Für die Weiterbildung zum Data Scientist werden keine Programmierkenntnisse vorausgesetzt. Du musst einen Einstufungstest in Mathematik und Statistik bei uns vorab absolvieren und Deutschkenntnisse auf B2, sowie Englischkenntnisse auf A2 Niveau vorweisen.
    Vollzeit (35 Std./Woche)
    4 Monate (518 UE)
    5 Module + Praxisprojekte
    (Quer)Einsteigende
    Deutsch
    Abschlusszertifikat
    0 € mit Bildungsgutschein

    Kursbeschreibung

    Der Zertifikatslehrgang Data Analytics & Data Science befähigt Dich dazu, Daten selbständig zu reinigen, aufzubereiten, zu visualisieren sowie komplexe Prognosemodelle zu entwickeln und zu verifizieren. Neben Kenntnissen in der Programmiersprache Python sorgen die vermittelten Konzepte des Machine Learnings dafür, dass Du nach erfolgreichem Abschluss Deiner Weiterbildung zum Data Scientist in analytischen Rollen, z.B. als (Junior) Data Analyst, (Junior) Business Intelligence Analyst oder (Junior) Financial Analyst und in fortgeschrittenen analytischen Rollen, z.B. als (Junior) Data Scientist oder (Junior) Machine Learning Engineer, arbeiten kannst. Die Data Scientist Zertifizierung belegt Deine neuen Kenntnisse und Fähigkeiten und ermöglicht Dir so einen erfolgreichen Quereinstieg.

    In Deiner Weiterbildung zum Data Scientist lernst Du

  • Daten selbständig einlesen, bereinigen und filtern
  • Daten explorativ mithilfe von deskriptiver Statistik analysieren
  • Komplexe Prognosemodelle entwickeln und verifizieren
  • Skripte in der Programmiersprache Python erstellen
  • Datenmodelle zur Vorhersage von Businessszenarien bauen
  • Machine-Learning-Algorithmen entwickeln
  • Best Practices für die effektive Datenvisualisierung
  • Methoden des Data Storytellings
  • Video abspielen

    Zielgruppe für die Weiterbildung zum Data Scientist

    Zielgruppe des Zertifikatslehrgangs Data Analytics & Data Science sind Arbeitssuchende, Arbeitslose oder Menschen in Kurzarbeit oder mit einem bevorstehenden Jobverlust, die sich die Weiterbildung mit einem Bildungsgutschein über die Agentur für Arbeit oder dem Jobcenter fördern lassen möchten.

    Voraussetzungen für die Teilnahme

    Für die Weiterbildung zum Data Scientist werden keine Programmierkenntnisse vorausgesetzt. Du musst einen Einstufungstest in Mathematik und Statistik bei uns vorab absolvieren und Deutschkenntnisse auf B2, sowie Englischkenntnisse auf A2 Niveau vorweisen.
    Das erwartet dich in Deiner Weiterbildung zum Data Scientist

    Kursüberblick

    Weiterbildung zum Data Scientist: Das Data Lab bietet Dir 80% interaktive Inhalte. Lerne selbst zu programmieren und wie Du mit Daten in der Praxis arbeitest. So wirst Du Schritt für Schritt mit StackFuel vom Anfänger zum Data Science Experten
    Ausschnitt aus dem Zertifikatslehrgang Intensivkurs – Weiterbildung zum Data Scientist

    Phython Skills

    Python ist die Nr. 1 der Programmiersprachen für Machine Learning und Data Science und selbst für Neulinge relativ einfach zu erlernen.

    Interaktive Aufgaben und Abschlussprojekt

    Wende Dein Wissen in interaktiven Praxisaufgaben an und einem Abschlussprojekt, in dem Du ein eigenes Data-Science-Projekt mit realen Datensets umsetzt.

    Jobqualifizierung

    Mit diesem Training qualifizieren wir Dich direkt für die Jobrolle als Data Scientist sowie anderen analytischen Rollen in Datenteams.

    Phython Skills

    Python ist die Nr. 1 der Programmiersprachen für Machine Learning und Data Science und selbst für Neulinge relativ einfach zu erlernen.

    Interaktive Aufgaben und Abschlussprojekt

    Wende Dein Wissen in interaktiven Praxisaufgaben an und einem Abschlussprojekt, in dem Du ein eigenes Data-Science-Projekt mit realen Datensets umsetzt.

    Jobqualifizierung

    Mit diesem Training qualifizieren wir Dich direkt für die Jobrolle als Data Scientist sowie anderen analytischen Rollen in Datenteams.

    Module - Weiterbildung zum Data Scientist

    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