Data Analyst mit Python

Diese zertifizierte Online-Weiterbildung befähigt Sie dazu, Datenanalysen selbst durchzuführen und für datenorientierte Entscheidungsvorlagen aufzubereiten. Nach Abschluss des Kurses können Sie Daten selbstständig zusammenführen, bereinigen, aufbereiten, analysieren, visualisieren und unternehmensrelevante Vorhersagen daraus ablesen. Sie erlangen dabei umfassende Kenntnisse der stark nachgefragten Sprache Python und im Machine Learning. Diese Online-Weiterbildung wurde so konzipiert, dass Sie damit flexibel lernen und die Inhalte in Ihrem persönlichen Lerntempo durcharbeiten können. Es erwarten Sie Videos, interaktive Grafiken, Text und vor allem Praxisübungen mit umfassenden Datasets und Coding-Aufgaben, die Sie direkt im Browser durchführen können. Bei Fragen stehen Ihnen Ihre Lern-Coaches bereit, die Ihnen jederzeit gern weiterhelfen. Am Ende schließen Sie den Kurs mit einem Abschlussprojekt ab. Der Kurs ist wie folgt aufgebaut:

1. Der Python-Guide für Einsteiger – Sie 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.
2. Grundlagen der Programmierung – Sie bauen Ihre Programmiergrundlagen weiter aus. Die Anwendung von Funktionen und Methoden sowie von Ablaufkontrollen mithilfe von Bedingungen stehen im Fokus dieses Kapitels.
3. Schleifen und Funktionen mit Python – Dieses Kapitel widmet sich der Ablaufkontrolle unter Verwendung von Schleifen. Sie erweitern den Funktionsumfang Ihres Codes durch das Importieren weiterer Python-Pakete. Mit Abschluss des Kapitels kennen Sie die wichtigsten Programmierungskonzepte, die für die Arbeit als Data Analyst wichtig sind.
4. Data Pipelines mit pandas erstellen – Dieses Kapitel vermittelt die effiziente Nutzung von pandas – das Standardwerkzeug eines Data Analysts in Python. Sie lernen, Daten in CSV-Dateien einzulesen, zu bereinigen und zu aggregieren.
5. Daten explorieren mit matplotlib – Sie üben die Visualisierung verschiedener Datenniveaus. Numerische Daten werden als Histogramme und Streudiagramme dargestellt, während kategorische Daten als Säulen- und Tortendiagramme abgebildet werden. 
6. Statistisch gestützte Vorhersagen treffen – Anhand von Produktbewertungen lernen Sie statistische Begriffe wie Median und Quartile kennen. Sie identifizieren Ausreißer und erstellen einfache Vorhersagen mit der linearen und logistischen Regression.
7. Interne Daten aus SQL-Datenbanken einbeziehen – Sie lernen, Datenbanken am Beispiel einer Personaldatenbank auszulesen und Standard-SQL-Abfragen zu formulieren.
8. Externe Daten über APIs einbeziehen – Mithilfe von Python greifen Sie auf externe Informationen auf Webseiten oder aus Online-Datenbanken zu, die Sie über APIs auslesen.
9. Datenvisualisierung mit Advanced Jupyter – Für die Präsentation Ihrer Daten lernen Sie fortgeschrittene Jupyter-Funktionalitäten kennen und lösen damit Visualisierungsprobleme wie Live-Updates und Interaktivität.
10. Übungsprojekt – Nachdem Sie alle Lerneinheiten durchgearbeitet haben, analysieren Sie ein New Yorker Taxi-Datenset mit über einer Million Fahrten und setzen dabei Ihre neu erworbenen Python-Fähigkeiten unter Beweis.
11. Abschlussprojekt – Zum Abschluss analysieren Sie in einem eigenen Datenprojekt die Kundenabwanderungen in einem Telekommunikationsunternehmen. Sie durchlaufen dabei die gesamte Daten-Pipeline selbstständig und beantworten typische Fragestellungen. Am Ende präsentieren Sie die Ergebnisse in einem 1-zu-1-Feedbackgespräch mit Ihrem Mentoring-Team.