Data Manager:innen optimieren die Qualität und Nutzung von Datenbanken und betreuen die Datenanalyse und -verarbeitung. Dieser Lehrgang führt in die Grundlagen der Cloud Administration ein und erläutert Konzepte bezüglich Wirtschaftlichkeit, Sicherheit und Compliance. Des Weiteren erlernst du statistische Methoden zum Vergleich von unterschiedlichen Datengruppen und wirst in die Versuchsplanung eingeführt. Abschließend erwirbst du grundlegende Kenntnisse in der Entwicklung und Abfrage von Datenbanken mit SQL und lernst mit Python eine Programmiersprache kennen, die sich besonders zur Datenauswertung, -manipulation und -visualisierung eignet. Ein Einblick in die Nutzung Künstlicher Intelligenz in diesem Bereich rundet den Kurs ab.
Themen
AWS Cloud Administrator
Cloud-Konzepte (ca. 3,5 Tage)
Vorteile der AWS Cloud
Prinzipien des AWS Cloud-Designs
Migration zur AWS Cloud
Konzepte der Cloud-Wirtschaftlichkeit
Künstliche Intelligenz (KI) im Arbeitsprozess
Vorstellung von konkreten KI‐Technologien
sowie Anwendungsmöglichkeiten im beruflichen Umfeld
Sicherheit und Compliance (ca. 4,5 Tage)
AWS-Modell als geteilte Verantwortung
AWS Cloud-Sicherheits-, Governance- und Compliance-Konzepte
AWS Access Management-Funktionen
Komponenten und Ressourcen für die Sicherheitsunterstützung
Cloud-Technologie und -Services (ca. 5 Tage)
Methoden zur Bereitstellung und zum Betrieb in der AWS Cloud
Globale AWS-Infrastruktur
AWS-Computing-Services, -Datenbank-Services, -Netzwerkservices und -Speicherservices
AWS-Service für künstliche Intelligenz und maschinelles Lernen sowie Analytik-Services
Services aus anderen abgedeckten AWS-Services-Kategorien
Fakturierung, Preisgestaltung und Support (ca. 2 Tage)
Vergleich von AWS-Preismodellen
Ressourcen für Fakturierung, Budget und Kostenmanagement
Techn. Ressourcen und Supportoptionen von AWS
Projektarbeit, Zertifizierungsvorbereitung und Zertifizierungsprüfung (ca. 5 Tage)
AWS Certified Cloud Practitioner CLF-C02 (in englischer Sprache)
Statistik und Datenanalyse
Statistische Grundlagen (ca. 6 Tage)
Messtheoretische Grundlagen (Grundgesamtheit, Stichprobe, Stichprobenarten, Messung, Skalenniveaus)
Univariate Deskriptivstatistik (Häufigkeitsverteilungen, Zentralmaße, Streuungsmaße, Standardisierung, Histogramme, Balkendiagramme, Kreisdiagramme, Liniendiagramme, Boxplots)
Bivariate Deskriptivstatistik (Zusammenhangsmaße, Korrelationskoeffizienten, Kreuztabellen, Streudiagramme, gruppierte Balkendiagramme)
Grundlagen der induktiven Inferenzstatistik (Wahrscheinlichkeitsverteilungen, Normalverteilung, Stichprobenverteilung des Mittelwerts, Signifikanztest, Nullhypothesentest, Signifikanzniveau, Effektgröße, Parameterschätzung, Konfidenzintervalle, Fehlerbalkendiagramme, Poweranalyse, Stichprobenumfang)
Datenaufbereitung und Datenbereinigung mit geeigneter Software
Deskriptive Analyse
Visualisierung statistischer Ergebnisse
KI-gestützte Analyse und Interpretation statistischer Ergebnisse
Methoden zum Vergleich von zwei Gruppen (ca. 5 Tage)
z-Test, t-Test für eine Stichprobe
t-Test für unabhängige und verbundene Stichproben
Pretest-Posttest-Designs mit zwei Gruppen
Unterstützende Signifikanztests (Anderson-Darling-Test, Ryan-Joiner-Test, Levene-Test, Bonett-Test, Signifikanztest für Korrelationen)
Nonparametrische Verfahren (Wilcoxon-Test, Vorzeichentest, Mann-Whitney-Test)
Kontingenzanalysen (Binomialtest, Exakter Test nach Fisher, Chi-Quadrat-Test, Kreuztabellen, Assoziationsmaße)
Interpretation von Testergebnissen
KI-gestützte Ergebnisinterpretation
Grundlagen der Regressionsanalyse (ca. 2 Tage)
Lineare Regression
Modellinterpretation
KI-gestützte Modellinterpretation
Zusammenhangsanalyse
Methoden zum Mittelwertvergleich von mehreren Gruppen (ca. 3 Tage)
Einfaktorielle und zweifaktorielle Varianzanalyse (ANOVA)
Post-hoc-Analysen
Interpretation von Gruppenunterschieden
Mehrfaktorielle Varianzanalyse (Allgemeines Lineares Modell)
Feste, zufällige, gekreuzte und geschachtelte Faktoren
Mehrfachvergleichsverfahren (Tukey-HSD, Dunnett, Games-Howell)
Interaktionsanalyse
Poweranalyse bei Varianzanalysen
Einführung in die Versuchsplanung (DoE, Design of Experiments) (ca. 1 Tag)
Vollfaktorielle und teilfaktorielle Versuchspläne
Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
Relationale Datenbanken mit SQL
Grundlagen von Datenbanksystemen und SQL (ca. 3 Tage)
Überblick über Datenbanksysteme und -modelle
Redundante Daten und Datenintegrität
Normalisierung
Datenbankentwurf und Entity-Relationship-Modell (ERM)
Primär- und Fremdschlüssel
Beziehungen zwischen Relationen
Datentypen in SQL
Indizes und Performance
Einschränkungen und Validierung
Abfragen in SQL
Strukturierte Daten als Grundlage für KI-gestützte Analyseverfahren
Einführung in SQL Server Management Studio (SSMS) (ca. 2 Tage)
Überblick über SQL Server und SSMS
Physisches Datenbankdesign
Erstellen von Tabellen und Definieren von Datentypen
Einschränkungen, Standardwerte und Beziehungen
Datenbankdiagramme (ERM) und Beziehungen
Backup und Restore
Einführung in Performanceüberwachung
Überblick über KI-unterstützte Abfrageoptimierung und Queryanalyse
Einführung in DDL (Data Definition Language) und DML (Data Manipulation Language) (ca. 8 Tage)
SQL-Grundlagen und erweiterte Syntax
Operatoren und integrierte Funktionen
Abfragen und Manipulation von Daten
Fehlerbehandlung und Transaktionsmanagement
Erstellung und Verwaltung von Datenbankobjekten
Grundlagen der Performanceoptimierung
Arbeiten mit modernen Datentypen
Datenmodellierung und strukturierte Aufbereitung für KI- und Analyseanwendungen
DCL – Data Control Language und Sicherheit (ca. 1 Tag)
Benutzerverwaltung und Berechtigungen
Rollen und Sicherheitskonzepte
Auditing
Einführung in Row Level Security
Datensicherheit im Kontext von KI-gestützten Auswertungen
Datentypen, Datenimport und -export in modernen Systemen (ca. 1 Tag)
Datenimport und -export
Moderne Datentypen
Import, Transformation und Bereitstellung von Daten für Analyseprozesse
Projektarbeit (ca. 5 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
Programmierung mit Python
Grundlagen Python (ca. 1 Tag)
Geschichte, Konzepte
Verwendung und Einsatzgebiete
Syntax
Lexis, Semantik
PEP-8-Konventionen
Interpreter vs. Compiler
Numeral Systems: binär, oktal, hexadezimal
Scientific Notation
Erste Schritte mit Python (ca. 5 Tage)
Zahlen
Zeichenketten
Datum und Zeit
Standardeingabe und -ausgabe
Numerische Operatoren
Vergleichs-, logische und bitweise Operatoren
Datentypumwandlung
list, tuple, dict, set
List-Funktionen und -Methoden
Verzweigungen und Schleifen (if, for, while)
Mitgliedsoperatoren
String-Basics: escaping, multiline strings
Operatoren priorisieren und binden
Künstliche Intelligenz (KI) im Arbeitsprozess
Vorstellung von konkreten KI‐Technologien
sowie Anwendungsmöglichkeiten im beruflichen Umfeld
Funktionen (ca. 5 Tage)
Eigene Funktionen definieren
Variablen
Parameter und Argumente
Rückgabewerte
Rekursion
Namensräume
Funktionale Programmierung
Parameterarten: positional, keyword, mixed
Defaultwerte
Shadowing und global keyword
None und Rückgabe ohne Wert
Fehlerbehebung (ca. 0,5 Tage)
Grundlagen der Fehlerbehandlung mit try und except
Typische Fehlertypen und Exception Hierarchie
Fehlerweitergabe und Programmunterbrechungen
Strukturierung der except Blöcke
Objektorientierte Programmierung (ca. 4,5 Tage)
Python-Klassen
Methoden
Unveränderliche Objekte
Datenklasse
Vererbung
Projektarbeit, Zertifizierungsvorbereitung und Zertifizierungsprüfung „PCEP™ – Certified Entry-Level Python Programmer” in englischer Sprache (ca. 4 Tage)
Änderungen möglich, die Lehrgangsinhalte werden regelmäßig aktualisiert.
