Data Analyst

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 weiteraus. 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.

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.

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