Datum
08/04/2025 - 14/05/2025
Ganztägig
Kalender-Import: iCal
Veranstaltungsort
Solvistas Wien
Karl-Popper-Straße 2/Top 2, 1100 - Wien
Es sind keine Vorkenntnisse für den Besuch des Kurses notwendig.
Dieser DataScience Basislehrgang bietet sowohl Personen mit IT-Erfahrung, Spezialisten (EntwicklerInnen, DatenbankadministratorInnen, Systemengineers,..), als auch Personen aus dem Fachbereich (StatistikerInnen, BI-SpezialistInnen, Business-AnalystInnen,…) eine umfassende Weiterentwicklung für neue Standards und bietet die Grundlage für eine Entwicklung Richtung DataScience Expert*innen.
Dabei werden Fragen beantwortet, die Sie sich in Ihrer Tätigkeit bisher vielleicht noch gar nicht gestellt haben:
– Was ist der Unterschied zwischen Business Intelligence und DataScience?
– Wie kann DataScience sinnvoll angewandt werden?
– Bin ich als DataScientist nun IT-Experte oder Statistiker?
Oder aber auch technische Fragen wie z.B.:
– Wie funktioniert die Modellierung von Daten?
– Was benötige ich wenn ich Daten in Systeme integrieren möchte?
– Wie analysiere und visualisiere ich Daten richtig?
– Und was habe ich bezüglich Gesetze und Vorschriften dabei zu beachten?
Dieses Seminar wird in Zusammenarbeit solvistas Academy GmbH und mit der ADV-Austrian Digital Value veranstaltet. Aus diesem Grund gibt es auch eine Ermäßigung für Mitglieder der ADV – bitte geben Sie bei Ihrer Bestellung Ihre ADV Mitgliedsnummer an.
– Entwickler*innen
– Datenbankadministrator*innen
– Systemengineers
– Statistiker*innen
– BI-Spezialist*innen
– Business-Analyst*innen
Dieser Basislehrgang gliedert sich oline in 8 Module zu je 1/2 Tag oder vor Ort in 4 Tage:
Darum DataScience
– Die Grundlagen von DataScience
– Der Mehrwert beim Einsatz von DataScience
– Data Science Rollen
– Das Berufsbild Data Scientist
– Die Unterschiede zu DataLake, DataEngineering, DataMining, Digitalisierung und BigData, u.a.
– Unterschied und Klärung der Begriffe IoT und Cloud Computing
– Data Science Projektablauf
– Wert der Daten verstehen
Be a Data Artist
– Grundlagen und Vorteile von Visualisierungen
– Allgemeine Designrichtlinien
– Regressions- und Klassifizierungsmodelle
– UX-Design Richtlinien
– Reports und Dashboard Designs
– Analyse von Reports
Datenarchitektur
– Überblick über das Thema Datenarchitektur (Big Picture Data Architecture)
– Klassische DWH-Architektur
– Herausforderungen und Lösungsansätze im Big Data Bereich
– Unterschiede zwischen Data Lakes, Data Hubs, Data Meshes und Data Fabrics
– Vorteile des Cloud Computing
– Die Schritte von der Vision bis zur Umsetzung (Checkliste zum Projekt Setup)
Datenmodellierung und -aufbereitung
– DWH Modellierungsgrundlagen Inmon, Kimball, Linstedt
– Was ist der Unterschied zw. ETL und ELT?
– Wie historisiert man Daten?
– Welche Arten der Datenbereinigung gibt es, um die Qualität zu steigern?
– Was ist CDC und welche Implementierungsarten gibt es?
Datenintegration
– NoSQL
– Datenintegration mit NoSQL
– Datenintegration im Big Data Umfeld und in Cloud Umgebungen
– ETL-Strecken bauen und worauf dabei zu achten ist
– Die Qualität der Datenintegration innerhalb der ETL-Strecke
– Scheduling Möglichkeiten
Analytics in Theory
– Grundlagen von Machine Learning und Artificial Intelligence
– Arten an Zielsetzungen und Aufgaben von Data Analytics
– Methoden und Algorithmen
– Einsatz von Methoden aus dem Machine Learning und deren Einsatz
Analytics in Action
– Überblick über Tools für Datenanalyse
– Einsatz von ML-Algorithmen
– Einfaches Anwenden von Algorithmen in Python
– Tuning – wie können bessere Ergebnisse erzielt werden?
– Ablauf einer Datenanalyse
Trend und Use Cases
– aktuelle/ neue Schlagwörter aus der Welt des Data Science
– Wichtigkeit der Datenstrategie
– Aktuelle Anwendungsfälle von Data Science
– neue Arbeitsformen durch DataScience
1.965,00
Kategorien