logo
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)
    Vollzeit: 4 Monate
    5 Module + Praxisprojekte
    (Quer)Einsteigende
    Deutsch
    Abschlusszertifikat

    Alle 1–2 Monate

    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

    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 Aktienmarktszenarios.

    Kapitel 7 – Exercise Project:
    Teilnehmende analysieren ein New-Yorker-Taxidatenset mit
    über einer Million Fahrten und setzen ihre Python-Fähigkeiten
    möglichst eigenständig ein, um vorgegebene Fragestellungen
    zu beantworten.

    Kapitel 8 – Final Project:
    Teilnehmende analysieren die Kundenabwanderungen eines
    Telekommunikationsunternehmens. Sie durchlaufen die
    gesamte Daten-Pipeline selbstständig und beantworten typische
    Fragestellungen. In einem 1-on1-Feedbackgespräch mit dem
    Mentorenteam von StackFuel präsentieren sie ihr Projekt.
    Ziel:
    Lösen von überwachten und unüberwachten Machine-LearningProblemen mit sklearn

    Beschreibung:
    Teilnehmende erstellen Data-Science-Workflows mit sklearn,
    evaluieren ihre Modell-Performance anhand von geeigneten Metriken
    und werden für das Problem des Overfittings sensibilisiert.

    Kapitel 1 – Supervised Learning: Regression:
    Anhand der linearen Regression erlernen Teilnehmende den Umgang
    mit dem Python-Paket sklearn. Weiterhin beschäftigen sie sich mit
    den Annahmen des Regressionsmodells und der Evaluation der
    erzeugten Prognosen. In diesem Zuge werden auch der Bias-Variance
    Trade-Off, Konzepte der Regularisierung sowie verschiedene Maße
    der Modellgüte verdeutlicht.

    Kapitel 2 – Supervised Learning: Classification:
    Teilnehmende werden in Klassifizierungsalgorithmen anhand
    des k-Nearest-Neighbors-Algorithmus eingeführt und lernen, den
    Algorithmus zu evaluieren und die Klassifizierungsperformance
    einzuschätzen. Sie optimieren die Parameter ihres Modells unter
    Beachtung der Aufteilung der Daten in Trainingsund Evaluationssets.

    Kapitel 3 – Unsupervised Learning: Clustering:
    Teilnehmende lernen den k-Means-Algorithmus als Beispiel eines
    Algorithmus des unüberwachten Lernens kennen. Die Annahmen
    und Performance-Metriken des Algorithmus werden kritisch
    beleuchtet und ein kurzer Ausblick auf eine Alternative zum k-MeansClustering geworfen.

    Kapitel 4 – Unsupervised Learning:
    Dimensionality Reduction: Teilnehmende lernen, wie sie mithilfe
    einer Principal Component Analysis (PCA) die Dimension der
    Daten verringern können und nutzen die PCA, um unkorrelierte
    Features aus den Ursprungsdaten zu erzeugen. In diesem
    Zusammenhang wird das Thema Feature Engineering näher
    betrachtet und aus den alten Features neue erzeugt.

    Kapitel 5 – Outlier Detection:
    Teilnehmende lernen verschiedene Ansätze kennen, um
    Ausreißer zu identifizieren und verstehen, mit diesen
    ungewöhnlichen Datenpunkten umzugehen. Sie nutzen robuste
    Maße und Modelle, um den Einfluss der Ausreißer zu minimieren.


    Ziel:
    Erweiterung des eigenen Data-Science-Toolkits

    Beschreibung:
    Teilnehmende intensivieren ihre Kenntnisse über Modelle zur
    Klassifikation von Daten. Dabei erweitern sie ihre Fähigkeiten im
    Sammeln und Aufbereiten von Daten.

    Kapitel 1 – Data Gathering:
    Teilnehmende lernen, Daten zu sammeln, indem sie Webseiten
    und PDF-Dokumente auslesen. Mithilfe von Regular Expressions
    strukturieren sie gesammelte Textdaten so, dass sie diese zusammen
    mit bekannten Algorithmen verwenden können. Mit Beginn des
    zweiten Moduls erhalten die Teilnehmenden Hilfestellungen zur
    Optimierung ihrer Online-Präsenz als Data Scientist.

    Kapitel 2 – Logistic Regression:
    Teilnehmende lernen einen zweiten Klassifizierungsalgorithmus
    kennen: die logistische Regression. Sie nutzen neue PerformanceMetriken zur Evaluation der Ergebnisse und erfahren, wie sie nichtnumerische Daten für ihre Modelle nutzbar machen.

    Kapitel 3 – Decision Trees and Random Forests:
    Teilnehmende lernen den Entscheidungsbaum als leicht zu
    interpretierendes Modell kennen. Sie kombinieren mehrere Modelle
    zu einem Ensemble, um die Vorhersagen ihres Modells zu verbessern.
    Weiterhin erhalten sie Methoden zu unausgeglichenen Kategorien
    an die Hand. Darüber hinaus rückt die Erzeugung eines eigenen
    Data Science Portfolios in den Fokus der Teilnehmenden, wofür sie
    praktische Tipps an die Hand bekommen.

    Kapitel 4 – Unsupervised Learning:
    Dimensionality Reduction: Teilnehmende lernen, wie sie mithilfe
    einer Principal Component Analysis (PCA) die Dimension der
    Daten verringern können und nutzen die PCA, um unkorrelierte
    Features aus den Ursprungsdaten zu erzeugen. In diesem
    Zusammenhang wird das Thema Feature Engineering näher
    betrachtet und aus den alten Features neue erzeugt.

    Kapitel 5 – Outlier Detection:
    Teilnehmende lernen verschiedene Ansätze kennen, um
    Ausreißer zu identifizieren und verstehen, mit diesen
    ungewöhnlichen Datenpunkten umzugehen. Sie nutzen robuste
    Maße und Modelle, um den Einfluss der Ausreißer zu minimieren.

    Kapitel 4 – Support Vector Machines:
    Teilnehmende lernen einen letzten Klassifizierungsalgorithmus
    kennen – Support Vector Machines (SVM) und beleuchten das
    Verhalten verschiedener Kernel für die SVM. Außerdem erlernen
    sie die typischen Schritte des Natural Language Processing (NLP)
    und bearbeiten ein NLP-Szenario unter Verwendung von Bag-ofWords-Modellen.

    Kapitel 5 – Neural Networks:
    Teilnehmende werden in künstliche neuronale Netze eingeführt
    und lernen mehr über Deep Learning. um ein künstliches
    neuronales Netzwerk mit mehreren Schichten zu erzeugen und
    auf ein Datenset anzuwenden.
    Ziel:
    Selbstständiges Anwenden einfacher und komplexer Modellierungen

    Beschreibung:
    Teilnehmende erlangen Souveränität im Lösen von Data-ScienceProblemen und lernen, Ergebnisse kompetent zu kommunizieren.

    Kapitel 1 – Visualization and Model Interpretation:
    Teilnehmende erlernen wichtige Methoden zur Interpretation
    und Visualisierung von Machine-Learning-Modellen. Durch die
    Verwendung modelagnostischer Methoden zur Interpretation lernen
    sie Erkenntnisse zur Funktionsweise ihrer Modelle abzuleiten und zu
    kommunizieren.

    Kapitel 2 – Spark:
    Teilnehmende erfahren, weshalb die Arbeit mit verteilten
    Speichersystemen relevant ist. Mit dem Python-Paket PySpark
    erlernen sie verteilte Datenbanken auszulesen, Big-Data-Analysen
    durchzuführen und bekannte Machine-Learning-Algorithmen auf
    verteilten Systemen zu nutzen.

    Kapitel 3: Exercise Project:
    Teilnehmende bearbeiten ein Prädiktionsproblem mit Hilfe eines
    größeren Datensets und setzen ihre Data-Science-Fähigkeiten von
    der Reinigung des Datensets bis zur Interpretation des Modells
    eigenständig ein. In einer individuellen Projektbesprechung mit dem
    Mentorenteam von StackFuel erhalten Teilnehmende Feedback zu
    ihrem Lösungsansatz.

    Kapitel 4 – Final Project:
    Teilnehmende erhalten ein weiteres größeres Datenset, das sie
    selbstständig analysieren und im Vergleich zum Übungsprojekt
    mit weniger Hilfestellungen lösen müssen. In einer individuellen
    Projektbesprechung mit dem Mentoring Team von StackFuel
    erhalten Teilnehmende Feedback zu ihrem Lösungsansatz.

    Lade Dir jetzt das Curriculum herunter.

    Lernumgebung

    Trainiere online im Browser in unserer interaktiven Lernplattform.

    StackFuel bietet Dir eine innovative Lernumgebung, mit der Du Deine Datenkompetenz auf die effektivste Weise weiterentwickelt – interaktiv und mit echten Praxisaufgaben. Lerne zu programmieren in unserem Data Lab und entwickle Algorithmen und Automatisierungen mit realen Datensätzen aus der Industrie. Überzeuge Dich jetzt und profitiere von 80 % Praxisanteil in unseren Trainings. 

    Warum StackFuel

    Wir sind Dein strategischer Lernpartner - inklusive Mentoring & Förderung.

    Künstliche Intelligenz in Unternehmen: AI Literacy hilft Dir dabei, den Einsatz von KI in Unternehmen besser zu verstehen und Du bekommst die nötigen Kernkompetenzen, um bestehende und neue KI-Anwendungen anhand verschiedener Szenarien aus dem Business-Alltag sicher zu verstehen, für Dein Unternehmen erfolgreich zu übertragen und mit ihnen zu interagieren.

    Ob Mitarbeitende, Arbeitslose oder Führungskräfte – wir entwickeln Dich zum Datentalent mit unseren förderbaren Weiterbildungen und Umschulungen, die für jede Fachabteilung und jede Karrierestufe passen. Dabei stellen wir Deinen Lernerfolg mit unserem engagierten Mentoring Team sicher und blieben immer am Ball mit Dir. Unsere Praxisaufgaben und Projekte machen Dich fit für den Umgang mit den neuesten Technologien und Anwendungen.

    Künstliche Intelligenz in Unternehmen: AI Literacy hilft Dir dabei, den Einsatz von KI in Unternehmen besser zu verstehen und Du bekommst die nötigen Kernkompetenzen, um bestehende und neue KI-Anwendungen anhand verschiedener Szenarien aus dem Business-Alltag sicher zu verstehen, für Dein Unternehmen erfolgreich zu übertragen und mit ihnen zu interagieren.
    Weiterbildung zum Data Scientist

    Die wichtigsten Fragen auf einen Blick.

    Grundsätzlich gilt für Data Analysts und Data Scientists dasselbe, wie in jedem anderen Beruf ebenso: Wenn Du motiviert und engagiert bist, wenn du bereit bist zu lernen und Dich stetig weiterzuentwickeln und Dich in den Bereich reinzufuchsen, dann stehen Dir auch immer Türen offen. Natürlich helfen Studienabschlüssen und einschlägige Erfahrungen bei der Weiterbildung zum Data Scientist, aber sie sind eben auch nicht alles, sondern können den Weg zum Traumjob nur verkürzen. Du wirst wahrscheinlich nicht direkt im Quereinstieg zum Data Scientist werden, aber Du kannst in die Datenbranche einsteigen und Dich nach und nach an Deiner Karriere arbeiten. Wenn Du nicht studiert hast, hast Du möglicherweise dennoch wichtige Berufserfahrungen gesammelt und bringst dafür andere wichtige Fähigkeiten wie analytisches Denken oder branchenspezifisches Fachwissen mit. Diese Fähigkeiten sind sehr wertvoll für die Arbeit mit Daten.

    Mach Dir keine Sorgen, denn Du musst wirklich kein Mathe-Ass sein, um eine Weiterbildung bei StackFuel zu starten. Viele Fähigkeiten werden Dir innerhalb der Weiterbildung vermittelt. Ein Grundverständnis und Offenheit für Mathematik sind dennoch hilfreich. Wenn Du Dir dennoch unsicher bist, ob Deine Vorkenntnisse für unsere Karrierepfade (Data Analyst und Data Scientist) ausreichen, sprich uns an und nimm an unserem Eignungstest teil.

    Ja, nach erfolgreichem Abschluss der Weiterbildung erhältst Du ein Abschlusszertifikat von uns, dass Du bei Deinen Bewerbungen vorzeigen kannst. Data Analysts und Data Scientists werden in vielen Wirtschaftsbereichen händeringend gesucht. Selbst ohne einschlägige Berufserfahrungen stehen Deine Chancen auf einen Einstiegsjob also gut. Dazu kommt, dass es in fast jeder Branche Analysten gibt, diese haben dann zwar unterschiedliche Jobtitel, aber die Fähigkeiten, die Du dazu brauchst, sind dieselben, wie die des Data Analyst oder Data Scientist.

    Eine Weiterbildung dank Bildungsgutschein erhältst Du mit einer Genehmigung des Jobcenters oder der Agentur für Arbeit. Wir haben in unserem Blogbeitrag “Bildungsgutschein bekommen leicht gemacht – so kommst Du zu Deiner kostenlosen Weiterbildung” alle Voraussetzungen und Tipps zur Beantragung gesammelt, damit Du ganz einfach einen Bildungsgutschein bekommst, zeigen Dir, wie Dein Quereinstieg gelingt. Falls Du nach dem Artikel noch Fragen hast, beraten wir Dich gern persönlich.

    Feedback
    Das sagen unsere Absolvent:innen.
    Lass Dir Deine kostenlose Weiterbildung mit Bildungsgutschein nicht entgehen. Lass Dich von uns zum Data Scientist oder Data Analyst weiterbilden.

    Bildungsgutschein

    Mit dem Bildungsgutschein kannst Du Dir Deine förderfähige Weiterbildung zum Data Scientist ohne eigene Kosten wahrnehmen, indem Du sie mithilfe eines Bildungsgutscheins komplett von der Agentur für Arbeit oder dem Jobcenter erstatten lässt. Der Bildungsgutschein gilt für Dich, wenn Du arbeitslos bist oder Dir eine Arbeitslosigkeit droht. Wichtig ist, dass Du den Bildungsgutschein innerhalb von drei Monaten bei einem zugelassenen Träger wie StackFuel einlöst.

    Schau Dir unsere weiteren Trainings an.

    Deine Data Analyst Weiterbildung hilft Dir Dich für den Jobeinstieg als Data Analyst zu qualifizieren.
    Data Analyst – Fokus Python
    Qualifizierung für die Jobrolle als Data Analyst
    TYP:
    Online-Training
    Dauer:
    Teilzeit: 4 Monate
    Vollzeit: 8 Wochen
    Deine Data Analyst Weiterbildung hilft Dir Dich für den Jobeinstieg als Data Analyst zu qualifizieren.
    Data Analyst – Fokus Python
    Qualifizierung für die Jobrolle als Data Analyst
    TYP:
    Online-Training
    DAUER:
    Teilzeit: 4 Monate
    Vollzeit: 8 Wochen
    Python Basics
    Praxisnaher Einstieg für das Programmieren mit Python
    TYP:
    Online-Training
    Dauer:
    32 Stunden
    Python Basics
    Praxisnaher Einstieg für das Programmieren mit Python
    TYP:
    Online-Training
    DAUER:
    32 Stunden
    Deine Weiterbildung zum Data Analyst - für 0 € mit Bildungsgutschein weiterbilden lassen.
    Zertifikatslehrgang Data Analyst – Fokus Python
    Qualifizierung für die Jobrolle als Data Analyst
    TYP:
    Online-Training
    Dauer:
    Teilzeit: 4 Monate
    Vollzeit: 8 Wochen
    Deine Weiterbildung zum Data Analyst - für 0 € mit Bildungsgutschein weiterbilden lassen.
    Zertifikatslehrgang Data Analyst – Fokus Python
    Qualifizierung für die Jobrolle als Data Analyst
    TYP:
    Online-Training
    DAUER:
    Teilzeit: 4 Monate
    Vollzeit: 8 Wochen
    15-minütiges Kennenlerngespräch

    Lasse Dich von uns persönlich beraten!