-
Тип степени: Сертификат "Инженер больших данных"
Сертификат "Статистика и анализ данных" -
Дополнительная квалификация: Сертификат "Data Engineer
Сертификат "Специалист по большим данным" -
Итоговый экзамен: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
-
Время уроков: Полный рабочий деньС понедельника по пятницу с 8:30 до 15:35 (в праздничные дни с 8:30 до 17:10).
-
Язык обучения: Немецкий
-
Продолжительность: 12 Недели
Инженер по обработке данных
Основы инженерии данных и архитектуры данных (около 2 дней)
Задачи и области применения в области инженерии данных
Основы современных архитектур данных и платформ данных
Основы и сравнение облачных архитектур данных
OLTP и OLAP
Обработка структурированных, полуструктурированных и неструктурированных данных
Управление требованиями и моделирование данных (около 1 дня)
Требования к данным и источникам данных
Концептуальное моделирование данных
Моделирование структур данных и потоков данных
Контракты на данные, управление данными и прослеживаемость данных
Базы данных и обработка данных (около 1 дня)
Архитектура систем баз данных
Сравнение SQL, NoSQL и NewSQL
Реляционное моделирование данных
SQL для запроса и обработки данных
Хранение данных и современные архитектуры данных (около 2 дней)
Основы и архитектура систем хранилищ данных
Многомерное моделирование данных и проектирование схем
Факты, измерения и хранение исторических данных
Сравнение хранилищ данных, озер данных и lakehouse
Введение в dbt
Практическая реализация моделей данных
Интеграция данных и конвейеры данных (около 5 дней)
Интеграция данных и предоставление данных
Процессы ETL и ELT
Построение и оркестрация конвейеров данных
Очистка, валидация и качество данных
Пакетная и потоковая обработка
Практическое применение Airflow и Spark
Программирование и автоматизированная обработка данных (около 4 дней)
Среды Python и управление пакетами
Обработка и преобразование данных с помощью Python
Автоматизация процессов обработки данных
Подключение различных источников данных и интерфейсов
Разработка рабочих процессов в области инженерии данных
Контейнеризация с помощью Docker
ИИ-поддержка в процессах разработки и обработки данных
Работа над проектом (около 5 дней)
Закрепление изученного материала
Презентация результатов проекта
Специалист по большим данным
Что такое большие данные? (примерно 1 день)
Объем, скорость, разнообразие, ценность, достоверность
Возможности и риски больших объемов данных
Дифференциация: бизнес-аналитика, аналитика данных, наука о данных
Введение в добычу данных
Роль искусственного интеллекта и систем, управляемых данными, в среде больших данных
Введение во фреймворки для работы с большими данными (около 2 дней)
Решения для работы с большими данными в облаке (обзор AWS, Azure, GCP)
Модели доступа к данным
Хранение данных
Введение в озера данных и хранилища данных
Обзор Apache Hadoop и Spark
Распределенная обработка данных с помощью Spark (около 3 дней)
Основы распределенных систем
Apache Spark (ядро и SQL)
Сравнение различных подходов к обработке данных
Обработка больших объемов данных
Введение в простые рабочие процессы ML с помощью Spark
Конвейеры данных и интеграция данных (около 2 дней)
Процессы ETL и ELT
Пакетная и потоковая обработка
Основы конвейеров данных
Введение в оркестровку (например, обзор Airflow)
Качество и подготовка данных
Компоненты (около 2 дней)
Краткая презентация различных инструментов
Передача данных
Обзор управления ресурсами в системах больших данных
Экосистема Hadoop
Углубленное изучение Apache Spark
Введение в потоковые технологии
NoSQL и хранение данных (около 2 дней)
Теорема CAP
ACID и BASE
Типы баз данных
HBase
Введение в документо-ориентированные базы данных
Введение в форматы хранения данных
Обзор подходов к созданию озер данных
Визуализация больших данных (около 2 дней)
Теории визуализации
Выбор диаграмм
Новые типы диаграмм
Инструменты для визуализации данных
Введение в BI-инструменты (например, Power BI, Tableau)
Основы принятия решений на основе данных
Управление данными и защита данных (около 1 дня)
Основы GDPR в контексте данных
Этика данных и ответственное обращение с данными
Качество данных и концепции управления
Контроль доступа и безопасность
Основы ответственного использования искусственного интеллекта
Работа над проектом (около 5 дней)
Закрепление изученного материала
Презентация результатов проекта
Статистика и анализ данных
Основы статистики (около 6 дней)
Основы теории измерений (популяция, выборка, типы выборок, измерение, уровни шкалы).
Одномерная описательная статистика (частотные распределения, центральные меры, меры дисперсии, стандартизация, гистограммы, столбчатые диаграммы, круговые диаграммы, линейные диаграммы, коробчатые диаграммы)
Двумерная описательная статистика (меры корреляции, коэффициенты корреляции, кросстабы, диаграммы рассеяния, сгруппированные гистограммы)
Основы индуктивной выводной статистики (распределения вероятностей, нормальное распределение, выборочное распределение среднего, проверка значимости, проверка нулевой гипотезы, уровень значимости, размер эффекта, оценка параметров, доверительные интервалы, графики ошибок, анализ мощности, размер выборки)
Подготовка данных и их очистка с помощью соответствующего программного обеспечения
Описательный анализ
Визуализация статистических результатов
Анализ и интерпретация статистических результатов с помощью ИИ
Методы сравнения двух групп (около 5 дней)
z-тест, t-тест для одной выборки
t-тест для независимых и связанных выборок
Претест-посттест с двумя группами
Вспомогательные тесты значимости (тест Андерсона-Дарлинга, тест Райана-Джойнера, тест Левена, тест Бонета, тест значимости для корреляций)
Непараметрические методы (тест Вилкоксона, тест знаков, тест Манна-Уитни)
Анализ зависимостей (биномиальный тест, точный тест Фишера, тест хи-квадрат, кросс-табуляция, меры ассоциации)
Интерпретация результатов тестирования
Интерпретация результатов с поддержкой ИИ
Основы регрессионного анализа (около 2 дней)
Линейная регрессия
Интерпретация моделей
Интерпретация моделей с поддержкой искусственного интеллекта
Корреляционный анализ
Методы сравнения средних показателей нескольких групп (около 3 дней)
Однофакторный и двухфакторный дисперсионный анализ (ANOVA)
Пост-хок анализ
Интерпретация различий между группами
Многофакторный дисперсионный анализ (общая линейная модель)
Фиксированные, случайные, перекрестные и вложенные факторы
Методы множественных сравнений (Tukey-HSD, Dunnett, Games-Howell)
Анализ взаимодействия
Анализ мощности для дисперсионного анализа
Введение в проектирование экспериментов (DoE) (около 1 дня)
Полнофакторные и частичнофакторные экспериментальные схемы
Работа над проектом (около 3 дней)
Закрепление изученного материала
Презентация результатов проекта
Возможны изменения, содержание курса регулярно обновляется.
Вы хорошо знаете процессы, связанные со сбором, подготовкой, обогащением и передачей данных. Вы также можете обрабатывать большие неструктурированные объемы данных с помощью отраслевого программного обеспечения. Вы знаете фреймворк Apache и умеете визуализировать данные в привлекательной форме.
Вы также поймете основы статистики, сможете обрабатывать и оценивать данные, а также представлять, объяснять и интерпретировать результаты статистического анализа и статистические данные с помощью графиков.
Курс рассчитан на людей с высшим образованием в области компьютерных наук, бизнес-информатики, делового администрирования, математики или сопоставимой квалификации.
Большие данные используются в компаниях для междисциплинарного анализа и проектирования ИТ-решений в сотрудничестве с командами разработчиков и операторов. Инженеры по работе с большими данными востребованы как крупными, так и средними компаниями в промышленности, торговле, сфере услуг и финансов.
Хорошее знание статистики - ценная дополнительная квалификация, которая пользуется большим спросом в области промышленных исследований и разработок, в разработке лекарств, в контроле медицинских исследований, в сфере финансов и страхования, в информационных технологиях или в государственном управлении.Ваш значимый сертификат дает подробное представление о приобретенных вами квалификациях и улучшает ваши карьерные перспективы.
Дидактическая концепция
Ваши преподаватели обладают высокой профессиональной и дидактической квалификацией и будут обучать вас с первого до последнего дня (никакой системы самообучения).
Вы будете учиться в эффективных небольших группах. Обычно курсы состоят из 6-25 человек. Общие занятия дополняются многочисленными практическими упражнениями во всех модулях курса. Практический этап - важная часть курса, поскольку именно в это время вы обрабатываете полученные знания и обретаете уверенность и практичность в их применении. Заключительный раздел курса включает в себя проект, разбор конкретных ситуаций или итоговый экзамен.
Виртуальный класс alfaview®
BildungszentrumЗанятия проводятся с использованием современной видеотехнологии alfaview® - не выходя из дома или в нашем офисе по адресу . Весь курс может видеть друг друга лицом к лицу через alfaview®, общаться друг с другом с помощью синхронизированного по губам голоса и работать над совместными проектами. Разумеется, вы также можете в любое время видеть и разговаривать со своими преподавателями в прямом эфире, и на протяжении всего курса вас будут обучать преподаватели в режиме реального времени. Уроки - это не электронное обучение, а настоящее живое очное преподавание с помощью видеотехнологий.
alfatraining Agentur für Arbeit Учебные курсы субсидируются и сертифицируются в соответствии с положением об утверждении AZAV. Bildungsgutschein Aktivierungs- und VermittlungsgutscheinПри подаче заявки или заявки на обучение все расходы на курс обычно покрываются финансирующей организацией.
Europäischen Sozialfonds Deutsche Rentenversicherung Финансирование также возможно через программы (ESF), (DRV) или региональные программы финансирования. Berufsförderungsdienst Как постоянный солдат, вы можете посещать курсы повышения квалификации по программе (BFD). Agentur für Arbeit (Qualifizierungschancengesetz) Компании также могут повысить квалификацию своих сотрудников по программе финансирования от .