
Studieninhalte

Grundlagen und Einführung in Data Analytics
- Überblick über Data Analytics und deren Relevanz
- Datenstrategien und ihre Umsetzung im Geschäftsleben
- Einführung in Datenquellen und -typen
- Grundlegende Konzepte der Datenanalyse und Methoden der Datenbeschaffung
- Datenmanagement und -pflege
Datenaufbereitung und Analyse
- Datenqualitätsbewertung und -verbesserung
- Techniken zur Datenbereinigung und -transformation
- Tools zur Datenaufbereitung (z.B. Python, Excel)
- Deskriptive und Inferenzstatistik
- Einführung in statistische Software
Datenvisualisierung und Berichterstellung
- Grundprinzipien der Datenvisualisierung
- Visualisierungstechniken und -tools
- Einführung in BI-Tools (z.B. Tableau, Power BI)
- Erstellen von interaktiven Dashboards und Storytelling mit Daten
- Einsatz von BI-Tools für Reporting und Analyse, inklusive praktischer Übungen zur Berichterstellung
Maschinelles Lernen und Künstliche Intelligenz
- Grundlagen des maschinellen Lernens
- Überwachtes vs. unüberwachtes Lernen
- Einführung in gängige Algorithmen und Modellbewertung
- Neuronale Netze, Deep Learning, und fortgeschrittene ML-Tools
- Praxisbeispiele und Fallstudien
Datenprojekte in der Praxis
- Bearbeitung eines Datenprojekts (vom ETL-Prozess über Datenanalyse bis zur Präsentation)
- Agile Methoden und deren Anwendung in Datenprojekten (z.B. SCRUM)
- Fallstudien zu erfolgreichen Datenprojekten