-
Тип ступеня: Сертифікат "Big Data Engineer"
Сертифікат "Статистика та аналіз даних" -
Додаткові кваліфікації: Сертифікат "Інженер з обробки даних
Сертифікат "Спеціаліст з великих даних" -
Підсумковий іспит: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
-
Час занять: Повна зайнятістьЗ понеділка по п'ятницю з 8:30 до 15:35 (у святкові дні з 8:30 до 17:10)
-
Мова викладання: Німецька
-
Тривалість: 12 Тижні
Інженер з обробки даних
Основи інженерії даних та архітектури даних (приблизно 2 дні)
Завдання та сфери застосування інженерії даних
Основи сучасних архітектур даних та платформ даних
Основи та порівняння хмарних архітектур даних
OLTP та OLAP
Обробка структурованих, напівструктурованих та неструктурованих даних
Управління вимогами та моделювання даних (приблизно 1 день)
Вимоги до даних та джерел даних
Концептуальне моделювання даних
Моделювання структур даних та потоків даних
Контракти на дані, управління даними та простежуваність даних
Бази даних та обробка даних (приблизно 1 день)
Архітектура систем баз даних
Порівняння SQL, NoSQL та NewSQL
Реляційне моделювання даних
SQL для запитів та обробки даних
Створення сховищ даних та сучасні архітектури даних (приблизно 2 дні)
Основи та архітектура систем сховищ даних
Димонсіональне моделювання даних та проектування схем
Факти, виміри та зберігання історичних даних
Порівняння сховищ даних, озер даних та lakehouse
Вступ до dbt
Практична реалізація моделей даних
Інтеграція даних та конвеєри даних (приблизно 5 днів)
Інтеграція даних та їх надання
Процеси ETL та ELT
Побудова та оркестрування конвеєрів даних
Очищення, валідація та якість даних
Пакетна та потокова обробка
Практичне застосування Airflow та Spark
Програмування та автоматизована обробка даних (приблизно 4 дні)
Середовища Python та управління пакетами
Обробка та перетворення даних за допомогою Python
Автоматизація процесів обробки даних
Підключення різних джерел даних та інтерфейсів
Розробка робочих процесів у сфері інженерії даних
Контейнеризація за допомогою Docker
Підтримка на основі штучного інтелекту в процесі розробки та обробки даних
Робота над проектом (близько 5 днів)
Закріплення вивченого матеріалу
Презентація результатів проекту
Спеціаліст з великих даних
Що таке великі дані? (приблизно 1 день)
Обсяг, швидкість, різноманітність, цінність, достовірність
Можливості та ризики великих обсягів даних
Диференціація: бізнес-аналітика, аналітика даних, наука про дані
Вступ до інтелектуального аналізу даних
Роль штучного інтелекту та систем, керованих даними, в середовищі великих даних
Вступ до фреймворків великих даних (приблизно 2 дні)
Рішення для великих даних у хмарі (огляд AWS, Azure, GCP)
Моделі доступу до даних
Зберігання даних
Вступ до озер даних та сховищ даних
Огляд Apache Hadoop та Spark
Розподілена обробка даних зі Spark (близько 3 днів)
Основи розподілених систем
Apache Spark (Core та SQL)
Порівняння різних підходів до обробки даних
Обробка великих обсягів даних
Вступ до простих робочих процесів ML зі Spark
Конвеєри даних та інтеграція даних (приблизно 2 дні)
Процеси ETL та ELT
Пакетна та потокова обробка
Основи конвеєрів даних
Вступ до оркестрування (наприклад, огляд повітряних потоків)
Якість та підготовка даних
Компоненти (приблизно 2 дні)
Коротка презентація різних інструментів
Передача даних
Огляд управління ресурсами в системах великих даних
Екосистема Hadoop
Поглиблення Apache Spark
Вступ до потокових технологій
NoSQL та зберігання даних (приблизно 2 дні)
CAP теорема
КИСЛОТА та ОСНОВА
Типи баз даних
HBase
Вступ до документно-орієнтованих баз даних
Вступ до форматів зберігання даних
Огляд підходів до озерних сховищ даних
Візуалізація великих даних (близько 2 днів)
Теорії візуалізації
Вибір діаграм
Нові типи діаграм
Інструменти для візуалізації даних
Вступ до інструментів BI (наприклад, Power BI, Tableau)
Основи прийняття рішень на основі даних
Управління даними та захист даних (приблизно 1 день)
Основи GDPR в контексті даних
Етика даних та відповідальне поводження з даними
Концепції якості даних та управління ними
Контроль доступу та безпека
Основи відповідального використання штучного інтелекту
Робота над проектом (близько 5 днів)
Закріплення вивченого матеріалу
Презентація результатів проекту
Статистика та аналіз даних
Основи статистики (близько 6 днів)
Основи теорії вимірювання (генеральна сукупність, вибірка, типи вибірок, вимірювання, рівні шкали)
Одновимірна описова статистика (частотні розподіли, центральні міри, міри дисперсії, стандартизація, гістограми, стовпчикові діаграми, кругові діаграми, лінійні діаграми, блок-діаграми)
Двовимірна описова статистика (міри кореляції, коефіцієнти кореляції, перехресні таблиці, діаграми розсіювання, згруповані гістограми)
Основи індуктивної вивідної статистики (розподіли ймовірностей, нормальний розподіл, вибірковий розподіл середнього, тест на значущість, перевірка нульової гіпотези, рівень значущості, розмір ефекту, оцінка параметрів, довірчі інтервали, гістограми помилок, аналіз потужності, розмір вибірки)
Підготовка даних та очищення даних за допомогою відповідного програмного забезпечення
Описовий аналіз
Візуалізація статистичних результатів
Аналіз та інтерпретація статистичних результатів за допомогою штучного інтелекту
Методи для порівняння двох груп (приблизно 5 днів)
z-тест, t-тест для однієї вибірки
t-тест для незалежних і пов'язаних вибірок
Претест-посттестові дизайни з двома групами
допоміжні тести значущості (тест Андерсона-Дарлінга, тест Райана-Джойнера, тест Левен, тест Бонетта, тест значущості для кореляцій)
Непараметричні методи (критерій Вілкоксона, критерій знаків, критерій Манна-Уітні)
Аналіз непередбачуваності (біноміальний тест, точний тест Фішера, тест хі-квадрат, перехресні таблиці, міри асоціації)
Інтерпретація результатів тестування
Інтерпретація результатів за допомогою штучного інтелекту
Основи регресійного аналізу (близько 2 днів)
Лінійна регресія
Інтерпретація моделей
Інтерпретація моделей за допомогою штучного інтелекту
Кореляційний аналіз
Методи порівняння середніх значень декількох груп (приблизно 3 дні)
Однофакторний та двофакторний дисперсійний аналіз (ANOVA)
Постфактум аналіз
Інтерпретація групових відмінностей
Багатофакторний дисперсійний аналіз (загальна лінійна модель)
Фіксовані, випадкові, перехресні та вкладені фактори
Методи множинних порівнянь (Tukey-HSD, Dunnett, Games-Howell)
Аналіз взаємодії
Аналіз потужності для дисперсійного аналізу
Вступ до планування експерименту (ПЕ) (приблизно 1 день)
Повні та частково факторні експериментальні плани
Робота над проектом (близько 3 днів)
Закріплення вивченого матеріалу
Презентація результатів проекту
Можливі зміни, зміст курсу регулярно оновлюється.
Ви добре володієте процесами, пов'язаними зі збором, підготовкою, збагаченням та пересиланням даних. Ви також можете обробляти великі неструктуровані обсяги даних за допомогою галузевого програмного забезпечення. Ви знаєте фреймворк Apache та вмієте візуалізувати дані у привабливий спосіб.
Ви також зрозумієте основи статистики, зможете обробляти та оцінювати дані, а також представляти, пояснювати та інтерпретувати статистичний аналіз даних і результати за допомогою графіків.
Курс орієнтований на осіб з вищою освітою в галузі комп'ютерних наук, бізнес-інформатики, бізнес-адміністрування, математики або аналогічною кваліфікацією.
Великі дані використовуються в компаніях для міждисциплінарного аналізу та проектування ІТ-рішень у співпраці з командами розробників та операційних відділів. Інженери з великих даних користуються попитом як у великих, так і в середніх компаніях у промисловості, торгівлі, сфері послуг та фінансів.
Знання статистики є цінною додатковою кваліфікацією, яка користується великим попитом у промислових дослідженнях і розробках, розробці ліків, нагляді за медичними дослідженнями, фінансах і страхуванні, інформаційних технологіях або державному управлінні.Ваш змістовний сертифікат дає детальне уявлення про отриману кваліфікацію та покращує ваші кар'єрні перспективи.
Дидактична концепція
Ваші викладачі мають високу професійну та дидактичну кваліфікацію і навчатимуть вас від першого до останнього дня (без системи самонавчання).
Ви будете навчатися в ефективних малих групах. Курси зазвичай складаються з 6-25 учасників. Загальні заняття доповнюються численними практичними вправами з усіх модулів курсу. Практичний етап є важливою частиною курсу, оскільки саме в цей час ви опрацьовуєте вивчене, набуваєте впевненості та рутинності в його застосуванні. Заключний розділ курсу передбачає виконання проекту, кейс-стаді або підсумковий іспит.
Віртуальний клас alfaview®
BildungszentrumЗаняття проходять з використанням сучасної відеотехнології alfaview® - або з комфорту вашого власного будинку, або в нашому приміщенні за адресою . Весь курс може бачити один одного віч-на-віч через alfaview®, спілкуватися один з одним в якості голосу, синхронізованого по губах, і працювати над спільними проектами. Звичайно, ви також можете бачитись і спілкуватись зі своїми тренерами наживо в будь-який час, і протягом усього курсу викладачі навчатимуть вас у режимі реального часу. Уроки не є електронним навчанням, а справжнім живим викладанням віч-на-віч за допомогою відеотехнологій.
alfatraining Agentur für Arbeit Навчальні курси субсидуються та сертифікуються відповідно до положення про затвердження AZAV. Bildungsgutschein Aktivierungs- und VermittlungsgutscheinЯкщо ви подаєте заявку на або , всі витрати на курс, як правило, покриває організація, яка його фінансує.
Europäischen Sozialfonds Deutsche Rentenversicherung Фінансування також можливе через (ESF), (DRV) або регіональні програми фінансування. Berufsförderungsdienst Як військовослужбовець строкової служби, ви можете відвідувати курси підвищення кваліфікації через (BFD). Agentur für Arbeit (Qualifizierungschancengesetz) Компанії також можуть підвищити кваліфікацію своїх працівників за допомогою програми фінансування від .