Data Scientist mit ITIL® Foundation (Version 5) und PRINCE2® Project Management Foundation (Version 7)
Data Scientists handhaben die Aufarbeitung und Analyse von Daten und können anhand komplexer Datenmuster Modellierungen zur Vorhersage von Businessszenarien erstellen. Der Lehrgang erläutert daher zunächst die Anforderungen von Daten und Datenbanken, die Data Warehouse-Modellierung und den ETL-Prozess. Ein weiterer Schwerpunkt liegt auf der Datenanalyse sowie deren Programmierung, Visualisierung und Management im Big Data Kontext. Weiter wird der vollständige Machine-Learning-Workflow vermittelt – von der Datenaufbereitung und Modellentwicklung bis zur Bewertung und InterpretationDabei lernst du Verfahren wie Regression, Klassifikation, neuronale Netze, generative KI und Natural Language Processing sowie die Bereitstellung von Modellen kennen. Abschließend erläutert der Kurs die Methoden des Deep Learnings auf Basis von neuronalen Netzen. Ergänzend erweiterst du deine Kenntnisse mit ITIL® um eine Prozessoptimierungsmethode und mit PRINCE2® um eine IT-Projektmanagementmethode.
-
Abschlussart: Zertifikat „Data Scientist“
Zertifikat „ITIL® Foundation (Version 5)“
Zertifikat „PRINCE2® Project Management Foundation (Version 7)“ -
Zusatzqualifikationen: Zertifikat „Data Engineer“
Zertifikat „Data Analytics“
Zertifikat „Machine Learning“
Zertifikat „Deep Learning“ -
Abschlussprüfung: Praxisbezogene Projektarbeiten mit Abschlusspräsentationen
ITIL® Foundation (Version 5) (Prüfungsvoucher im Kurs enthalten)
PRINCE2® Project Management Foundation (Version 7) (Prüfungsvoucher im Kurs enthalten) -
Unterrichtszeiten: VollzeitMontag bis Freitag von 8:30 bis 15:35 Uhr (in Wochen mit Feiertagen von 8:30 bis 17:10 Uhr)
-
Dauer: 20 Wochen
Data Engineer
Grundlagen Data Engineering und Datenarchitekturen (ca. 2 Tage)
Aufgaben und Anwendungsfelder im Data Engineering
Grundlagen moderner Datenarchitekturen und Datenplattformen
Grundlagen und Vergleich cloudbasierter Datenarchitekturen
OLTP und OLAP
Verarbeitung strukturierter, semistrukturierter und unstrukturierter Daten
Anforderungsmanagement und Datenmodellierung (ca. 1 Tag)
Anforderungen an Daten und Datenquellen
Konzeptionelle Datenmodellierung
Modellierung von Datenstrukturen und Datenflüssen
Data Contracts, Data Governance und Data Lineage
Datenbanken und Datenverarbeitung (ca. 1 Tag)
Architektur von Datenbanksystemen
SQL vs. NoSQL vs. NewSQL im Vergleich
Relationale Datenmodellierung
SQL zur Abfrage und Verarbeitung von Daten
Data Warehousing und moderne Datenarchitekturen (ca. 2 Tage)
Grundlagen und Architektur von Data-Warehouse-Systemen
Dimensionale Datenmodellierung und Schema-Design
Fakten, Dimensionen und historische Datenhaltung
Data Warehouse, Data Lake und Lakehouse im Vergleich
Einführung in dbt
Praxisorientierte Umsetzung von Datenmodellen
Datenintegration und Data Pipelines (ca. 5 Tage)
Datenintegration und Datenbereitstellung
ETL- und ELT-Prozesse
Aufbau und Orchestrierung von Data Pipelines
Datenbereinigung, -validierung und Datenqualität
Batch- und Streaming-Verarbeitung
Praxisorientierter Einsatz von Airflow und Spark
Programmierung und automatisierte Datenverarbeitung (ca. 4 Tage)
Python-Umgebungen und Paketverwaltung
Verarbeitung und Transformation von Daten mit Python
Automatisierung von Datenverarbeitungsprozessen
Anbindung unterschiedlicher Datenquellen und Schnittstellen
Entwicklung von Data-Engineering-Workflows
Containerisierung mit Docker
KI-gestützte Unterstützung im Entwicklungs- und Datenverarbeitungsprozess
Projektarbeit (ca. 5 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
Data Analytics
Einführung in Data Analytics (ca. 1 Tag)
Aufgaben, Anwendungsbereiche und typische Anwendungsfälle von Data Analytics
Data-Analytics-Prozesse und CRISP-DM
Rolle des Data Analysts und Abgrenzung zu Data Science, Data Engineering und Business Intelligence
Einordnung von Künstlicher Intelligenz und Machine Learning
Python für Data Analytics (ca. 1 Tag)
Arbeiten mit Jupyter Notebooks
NumPy und Pandas für die Datenanalyse
Import und Export verschiedener Datenquellen, z. B. Excel und CSV
Auswahl und Transformation von Daten
Datenaufbereitung und explorative Datenanalyse (ca. 3 Tage)
Datenbereinigung und -transformation mit Pandas
Umgang mit fehlenden, fehlerhaften und auffälligen Daten
Zusammenführen, Gruppieren und Aggregieren von Daten
Explorative Datenanalyse und Ableitung erster Erkenntnisse
Grundlagen statistischer Auswertungen
SQL und Datenmanagement (ca. 2 Tage)
Relationale Datenbanken und Datenmodelle
Datenabfragen und -aufbereitung mit SQL
Joins, Aggregationen und analytische Abfragen
Zusammenspiel von SQL und Python in der Datenanalyse
Datenqualität und Datenschutz
Anbindung und Nutzung unterschiedlicher Datenquellen und Datenbanksysteme
Datenvisualisierung und Data Storytelling (ca. 2 Tage)
Visualisierung mit Matplotlib, Seaborn und Plotly
Auswahl geeigneter Diagramme und Visualisierungsformen
Aufbereitung und Interpretation von Analyseergebnissen
Data Storytelling und adressatengerechte Kommunikation
Power BI und interaktive Dashboards (ca. 2 Tage)
Datenimport und -aufbereitung mit Power Query
Datenmodellierung und Beziehungen
Grundlagen von DAX und Kennzahlen
Erstellung interaktiver Reports und Dashboards
Visualisierung und Kommunikation von Business-KPIs
Überblick über alternative Business-Intelligence- und Visualisierungslösungen
KI-gestützte Datenanalyse (ca. 2 Tage)
Einsatz generativer KI im Data-Analytics-Workflow
KI-gestützte Datenaufbereitung, Analyse und Visualisierung
Unterstützung bei Python- und SQL-Abfragen
Prompting für Datenanalysen und Interpretation von Ergebnissen
Kritische Bewertung von Datenquellen sowie Erkennung synthetischer und unplausibler Daten
Qualitätssicherung, Datenschutz und verantwortungsvoller KI-Einsatz
Business Analytics und statistische Grundlagen (ca. 2 Tage)
Kennzahlen und KPIs im Unternehmenskontext
Deskriptive Statistik und statistische Zusammenhänge
Korrelation, Kausalität und einfache Regressionsanalysen
Grundlagen von Konfidenzintervallen und Hypothesentests
Interpretation von Analyseergebnissen und Ableitung datenbasierter Handlungsempfehlungen
Projektarbeit (ca. 5 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
Machine Learning
Einführung in Machine Learning und ML-Workflow (ca. 3 Tage)
Grundlagen, Anwendungsbereiche und Arten des Machine Learning
Einordnung moderner KI- und Machine-Learning-Verfahren
Machine-Learning-Workflow mit scikit-learn
Trainings-, Validierungs- und Testdaten
Underfitting, Overfitting und Modellevaluation
Cross Validation
Datenaufbereitung und Feature Engineering (ca. 2 Tage)
Datenqualität und Datenvorverarbeitung
Skalierung, Normalisierung und Kodierung
Feature Engineering und Feature Selection
Umgang mit fehlenden Werten, Ausreißern und unausgeglichenen Datensätzen
Überwachtes Lernen – Regression und Klassifikation (ca. 5 Tage)
Regressions- und Klassifikationsverfahren
Lineare und regularisierte Modelle
Distanz-, wahrscheinlichkeits- und baumbasierte Verfahren
Ensemble- und Boosting-Verfahren
Modellvergleich und Hyperparameteroptimierung
Evaluationsmetriken und probabilistische Vorhersagen
Feature Importance und Explainable AI
Unüberwachtes Lernen (ca. 2 Tage)
Dimensionsreduktion und Merkmalsextraktion
Clusterverfahren und Bewertung von Clustering-Ergebnissen
Anomalieerkennung
Zeitreihenanalyse und Prognosen (ca. 1 Tag)
Grundlagen und Analyse von Zeitreihendaten
Prognoseverfahren und Machine Learning für Zeitreihen
Neuronale Netze und moderne KI (ca. 2 Tage)
Grundlagen neuronaler Netze und Deep Learning
Machine Learning für Textdaten und Natural Language Processing
Foundation Models, Large Language Models und generative KI
Bereitstellung von ML-Modellen (ca. 1 Tag)
Speicherung und Bereitstellung trainierter Modelle
Entwicklung einfacher ML-Anwendungen
Schnittstellen und Plattformen für Machine-Learning-Modelle
Projektarbeit (ca. 4 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
Deep Learning
Einführung Deep Learning (ca. 1 Tag)
Deep Learning als eine Art von Machine Learning
Grundlagen in neuronalen Netzen (ca. 4 Tage)
Multilayer-Perzeptronen
Berechnung neuronaler Netze
Optimierung der Modellparameter, Backpropagation
Deep-Learning-Bibliotheken
Regression vs. Klassifikation
Typische Loss- und Aktivierungsfunktionen
Mit Metriken die Modellprognose bewerten
Regressions- und Klassifikationsmetriken
Lernkurven, Überanpassung und Regularisierung
Hyperparameteroptimierung
L1/12-Regularisierung
Dropout
Early-Stopping
Stochastischer Gradientenabstieg (SGD)
Momentum, Adam Optimizer
Optimierung der Lernrate
Dynamische Lernraten-Anpassung
Reduce Learningrate on Plateau
Lernraten-Optimierung mit dem TensorBoard
Mit Callbacks den Fitprozess steuern
Modelle speichern und laden
Convolutional Neural Network (CNN) (ca. 2 Tage)
Bildklassifizierung
Convolutional‐Schichten, Pooling‐Schichten
Reshaping‐Schichten, Flatten, Global‐Average‐Pooling
CNN‐Architekturen ImageNet‐Competition
Tiefe neuronale Netze, Vanishing Gradients, Skip‐Verbindungen, Batch‐Normalization
Transfer Learning (ca. 1 Tag)
Anpassen und Kombinieren von Modellen
Unüberwachtes Vortrainieren
Image‐Data‐Augmentation, Explainable AI
Dataloader
Regional CNN (ca. 1 Tag)
Objektlokalisierung
Semantische Segmentierung
Regressionsprobleme
Verzweigte neuronale Netze
YOLO-Architektur
U-Net-Modelle
Methoden der kreativen Bilderzeugung (ca. 1 Tag)
Generative Adversarial Networks (GAN)
Deepfakes
Diffusionsmodelle
Superresolution
Bildbereiche ergänzen
Foundations Models von Hugging Face anwenden
Multimodale Modelle
LoRA-Fine-Tuning
Anwendungsgebiete generativer Modelle
Rechtliche Einschränkungen
Recurrente neurale Netze (ca. 2 Tage)
Sequenzanalyse
Rekurrente Schichten
Backpropagation through time (BPTT)
Analyse von Zeitreihen
Exploding und Vanishing Gradient Probleme
LSTM (Long Short‐Term Memory)
GRU (Gated Recurrent Unit)
Deep RNN
Deep LSTM
Textverarbeitung durch neuronale Netze (ca. 2 Tage)
Text-Preprocessing
Embedding-Schichten
Text-Klassifizierung
Sentimentanalyse
Natural Language Processing (NLP)
Übersetzungen
Textgeneration
Seqence-to-Sequence-Verfahren, Encoder-Decoder-Architektur
Encoder-Only- und Decoder-Only-Modelle
Lokale Anwendung von Large Language Models
Sprachmodelle (ca. 1 Tag)
Transfomer Architektur
Attention und Multihead-Attention
Positional Encodings
Fine-Tuning großer Sprachmodelle
Prompting
Textgeneration-Pipelines
Summarization
Chatbots
Retrieval Augmented Generation
KI-Agenten
Deep Reinforcement Learning (ca. 1 Tag)
Steuerung dynamischer Systeme
Agentensysteme
Training durch Belohnungen
Policy Gradients
Deep‐Q‐Learning
Bayes'sche neuronale Netze (ca. 1 Tag)
Unsicherheiten in neuronalen Netzen
Statistische Bewertung von Prognosen
Konfidenz, Standardabweichung
Unbalancierte Daten
Sampling‐Methoden
Projektarbeit (ca. 3 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse
ITIL® Foundation (Version 5)
Wichtige ITIL Begriffe und Definitionen (ca. 2 Tage)
Management digitaler Produkte und Services
Produkte, Services und Serviceangebote
Wertschöpfung und Servicebeziehungen
Servicekonsumenten, Service Provider, Sponsor, Kundschaft und Anwender:innen
Servicequalität und Service Level Agreements (SLA)
Utility, Warranty, User Experience und Nachhaltigkeit
ITIL Produkt- und Servicelebenszyklus
Continual Improvement
Die vier Dimensionen des Produkt- und Servicemanagements von ITIL (ca. 1 Tag)
Organisationen und Menschen
Partner und Lieferanten
Informationen und Technologie
Wertströme und Prozesse
Ganzheitlicher Ansatz und externe Einflussfaktoren
Der ITIL Produkt- und Servicelebenszyklus (ca. 1 Tag)
Discover, Design, Acquire und Build
Transition, Operate, Deliver und Support
Wertschöpfung im Produkt- und Servicelebenszyklus
Iterative und nicht-lineare Nutzung des Lebenszyklus
Das ITIL Value System (ca. 2 Tage)
Komponenten des ITIL Value Systems und ITIL Grundprinzipien
Governance, Wertschöpfungskette und Betriebsmodell
Management-Practices, Practice-Leitfäden und Continual Improvement
Wertorientierung, Zusammenarbeit und Optimierung
Servicebetrieb, Releases und Problemmanagement
Continuous Integration, Continuous Delivery und Continuous Deployment
Site Reliability Engineering (SRE) und Observability
Messgrößen und Critical Success Factors (CSF)
Wertstromidentifizierung, -abbildung und -management (ca. 1 Tag)
Wertströme und Wertstrommanagement
Hauptwertströme und unterstützende Wertströme
Komplexitätsdenken und Workflowoptimierung
Wertstromdarstellung
ITIL und KI (ca. 0,5 Tage)
Künstliche Intelligenz (KI) und KI-Reife
Generative KI (GenAI) und Agentic KI
KI im Produkt- und Servicelebenszyklus
KI-Governance
ITIL und andere Rahmenwerke (ca. 0,5 Tage)
ITIL und DevOps
ITIL und PRINCE2
Projektmanagement im Produkt- und Servicelebenszyklus
Projektarbeit, Zertifizierungsvorbereitung und Zertifizierungsprüfung (ca. 3 Tage)
PRINCE2® Project Management Foundation (Version 7)
Einführung in das Projektmanagement basierend auf PRINCE2® (ca. 1 Tag)
Definition und Charakteristiken eines Projekts
Projektsteuerungskreislauf des Projektmanagements und die sechs Projektdimensionen
Herausforderungen im Projektmanagement – warum scheitern Projekte?
Vorteile der PRINCE2® Projektmanagement-Methode
Kunden-Lieferanten-Umgebungen
Projekte in einem kommerziellen Umfeld
Struktur der PRINCE2®-Methode und ihre fünf integrierten Bausteine
Die Managementprodukte von PRINCE2®
Digitale Werkzeuge und KI gestützte Analyse im modernen Projektmanagement
Die PRINCE2® Grundprinzipien (ca. 1 Tag)
Die sieben Grundprinzipien von PRINCE2®
Aussagen und Inhalte der Grundprinzipien
Beziehung zwischen den Grundprinzipien und den Themen von PRINCE2®
Anpassung von PRINCE2® an die Projektumgebung unter Berücksichtigung digitaler Arbeitsweisen
Die Bedeutung von Menschen für PRINCE2® Projekte (ca. 1 Tag)
Änderungsmanagement
Führung und Management
Kommunikation im Projekt
Auswirkungen digitaler und KI gestützter Systeme auf Zusammenarbeit und Veränderungsprozesse
Die sieben Themen von PRINCE2® (ca. 3 Tage)
Business Case (Nutzenmanagement-Ansatz und Nachhaltigkeitsmanagement-Ansatz)
Organisation (Projektstruktur, Rollen und Verantwortlichkeiten)
Erstellung von Plänen
Qualitätsplanung und Qualitätskontrolle
Risikomanagement unter Einsatz moderner Analyseverfahren und datenbasierter Auswertungen
Issue-Management
Steuerung des Projektfortschritts
Die sieben Prozesse von PRINCE2® (ca. 2 Tage)
Zusammenspiel der sieben PRINCE2® Prozesse im Projektablauf
Aktivitäten in den jeweiligen PRINCE2® Prozessen
Vorbereiten, Lenken und Initiieren eines Projekts
Steuern einer Phase
Managen der Produktlieferung
Managen der Phasenübergänge
Abschließen eines Projekts
Projektarbeit, Zertifizierungsvorbereitung und Zertifizierungsprüfung (ca. 2 Tage)
Änderungen möglich, die Lehrgangsinhalte werden regelmäßig aktualisiert.
Du beherrschst Prozesse rund um die Zusammenführung, Aufbereitung, Anreicherung und Weitergabe von Daten sowie die Anwendung von Machine Learning. Ebenso sind dir die Einsatzbereiche von Deep Learning und die Funktionsweisen neuronaler Netzwerke vertraut.
Zusätzlich verstehst du die zentralen Konzepte des Managements digitaler Produkte und Services nach ITIL® Foundation (Version 5). Du kennst den ITIL Produkt- und Servicelebenszyklus, das ITIL Value System, Wertströme, Wertschöpfung und Servicebeziehungen sowie moderne Konzepte wie KI, Automatisierung und Continual Improvement und kannst diese im organisatorischen Kontext einordnen. Des Weiteren kannst du in PRINCE2®-Projekten mitarbeiten, kennst deren Ablauf und die Begrifflichkeiten. Du bist auch in der Lage, IT-Projekte zu planen, durchzuführen und Erfolge zu messen.
Data Scientists kommen in Unternehmen zum Einsatz, die ihre Geschäftsprozesse auf Grundlage der Analyse und Modellierung großer Datenmengen optimieren möchten, wie in der Logistik, im Onlinehandel und Marketing, in der Energiebranche aber auch im Gesundheitssektor.
Mit Kenntnissen im IT-Service und Projektmanagement mit ITIL® und PRINCE2® weist du deine zusätzliche Qualifikation auf, die vor allem in der IT-Branche vielfach nachgefragt ist.
Didaktisches Konzept
Deine Dozierenden sind sowohl fachlich als auch didaktisch hoch qualifiziert und werden dich vom ersten bis zum letzten Tag unterrichten (kein Selbstlernsystem).
Du lernst in effektiven Kleingruppen. Die Kurse bestehen in der Regel aus 6 bis 25 Teilnehmenden. Der allgemeine Unterricht wird in allen Kursmodulen durch zahlreiche praxisbezogene Übungen ergänzt. Die Übungsphase ist ein wichtiger Bestandteil des Unterrichts, denn in dieser Zeit verarbeitest du das neu Erlernte und erlangst Sicherheit und Routine in der Anwendung. Im letzten Abschnitt des Lehrgangs findet eine Projektarbeit, eine Fallstudie oder eine Abschlussprüfung statt.
Virtueller Klassenraum alfaview®
Der Unterricht findet über die moderne Videotechnik alfaview® statt - entweder bequem von zu Hause oder bei uns im Bildungszentrum. Über alfaview® kann sich der gesamte Kurs face-to-face sehen, in lippensynchroner Sprachqualität miteinander kommunizieren und an gemeinsamen Projekten arbeiten. Du kannst selbstverständlich auch deine zugeschalteten Trainer:innen jederzeit live sehen, mit diesen sprechen und du wirst während der gesamten Kursdauer von deinen Dozierenden in Echtzeit unterrichtet. Der Unterricht ist kein E-Learning, sondern echter Live-Präsenzunterricht über Videotechnik.
Die Lehrgänge bei alfatraining werden von der Agentur für Arbeit gefördert und sind nach der Zulassungsverordnung AZAV zertifiziert. Bei der Einreichung eines Bildungsgutscheines oder eines Aktivierungs- und Vermittlungsgutscheines werden in der Regel die gesamten Lehrgangskosten von deiner Förderstelle übernommen.
Eine Förderung ist auch über den Europäischen Sozialfonds (ESF), die Deutsche Rentenversicherung (DRV) oder über regionale Förderprogramme möglich. Als Zeitsoldat:in besteht die Möglichkeit, Weiterbildungen über den Berufsförderungsdienst (BFD) zu besuchen. Auch Firmen können ihre Mitarbeiter:innen über eine Förderung der Agentur für Arbeit (Qualifizierungschancengesetz) qualifizieren lassen.