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
mit ansprechenden Visualisierungen zielgruppengerecht
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
abgebildet 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):
Teilnehmende 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.