Data Analytics

Grundlagen der Programmierung mit Python für die Arbeit als Data Analyst.

• Kapitel 1: Python Basics – Du bewegst Dich zum ersten Mal im Data Lab und machst Dich mit den Grundlagen der Programmierung vertraut. Du lernst, 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 – Du baust Deine 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 (loops). Du erweiterst Deinen Funktionsumfang durch das Importieren weiterer Python-Pakete. Mit Abschluss des Kapitels kennst Du die wichtigsten Programmierungskonzepte, die für die Arbeit als Data Analyst wichtig sind.

Datenauswertung mit Python, pandas und matplotlib, statistische Analyse von Daten und deren effektive Visualisierung, um Ergebnisse nutzbar zu machen.

• Kapitel 1: Data-Pipelines (Pandas) – Dieses Kapitel vermittelt die effiziente Nutzung von Pandas – das Standardwerkzeug eines Data Analysts in Python. Du lernst, damit Daten in CSV-Dateien einzulesen, zu bereinigen und zu aggregieren.
• Kapitel 2: Explorative Data Analysis (Matplotlib) – Du übst 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 (Statistik) – Du erlernst anhand von Produktbewertungen statistische Begriffe wie Median und Quartile. Du identifizierst Ausreißer und erstellst einfache Vorhersagen mit linearer und logistischer Regression.
• Kapitel 4: Internal Data (SQL) – Du lernst, Datenbanken am Beispiel einer Personaldatenbank auszulesen und Standard-SQL-Abfragen zu formulieren.
• Kapitel 5: External Data (API) – Du greifst mit Hilfe von Python auf Informationen wie Webseiten und von StackFuel konzipierte APIs im Internet zu.
• Kapitel 6: Advanced Jupyter – Du lernst Jupyter-Funktionalitäten kennen und löst fortgeschrittene Visualisierungsprobleme wie Live-Updates und Interaktivität im Kontext eines Aktienmarktszenarios.
• Kapitel 7: Übungsprojekt – Du analysierst ein New Yorker Taxidatenset mit über einer Millionen Fahrten und setzt Deine Python-Fähigkeiten eigenständig ein, um vorgegebene Fragestellungen zu beantworten.
• Kapitel 8: Abschlussprüfung – Du analysierst die Kundenabwanderungen eines Telekommunikationsunternehmens. Du durchläufst den gesamten Data Analytics Workflow selbstständig und beantwortest typische Fragestellungen. In einem 1-on-1-Feedbackgespräch mit dem Mentoring Team von StackFuel präsentierst Du Dein Projekt.

Nutze Large Language Models (LLMs), um die Entwicklung eines Machine-Learning-Modells gezielt zu unterstützen:

• Modelle verständlich erklären
• Künstliche Datensätze generieren
• Feature Engineering durchführen
• Templates für Datenpipelines nutzen
• Geeignete Modelle auswählen
• Experimente systematisch tracken
• Modelle mit AWS deployen