Lernen Sie Python - die beliebteste Programmiersprache und für Data Science und Softwareentwicklung.

Anwenden der Python-Programmierlogik Variablen, Datenstrukturen, Verzweigungen, Schleifen, Funktionen, Objekte und Klassen.

Beherrschen Sie den Umgang mit Python-Bibliotheken wie Pandas und Numpy und entwickeln Sie Code mit Jupyter Notebooks.

Greifen Sie mit Hilfe von APIs und Python-Bibliotheken wie Beautiful Soup auf Daten zu und scrapen Sie sie im Web.

Demonstrieren Sie Ihre Kenntnisse in Python für die Arbeit mit und die Manipulation von Daten

Implementieren Sie Webscraping und verwenden Sie APIs, um Daten mit Python zu extrahieren

Spielen Sie die Rolle eines Dateningenieurs, der an einem realen Projekt arbeitet, um Daten zu extrahieren, zu transformieren und zu laden

Verwenden Sie Jupyter-Notebooks und IDEs, um Ihr Projekt fertigzustellen

Beschreiben Sie Daten, Datenbanken, relationale Datenbanken und Cloud-Datenbanken.

Beschreiben Sie Informations- und Datenmodelle, relationale Datenbanken und relationale Modellkonzepte (einschließlich Schemata und Tabellen).

Erklären Sie ein Entity Relationship Diagram und entwerfen Sie eine relationale Datenbank für einen bestimmten Anwendungsfall.

Entwickeln Sie Kenntnisse über gängige DBMS wie MySQL, PostgreSQL und IBM DB2

Analysieren Sie Daten in einer Datenbank mit SQL und Python.

Erstellen Sie eine relationale Datenbank und arbeiten Sie mit mehreren Tabellen unter Verwendung von DDL-Befehlen.

Konstruieren Sie einfache bis mittelschwere SQL-Abfragen mit DML-Befehlen.

Erstellen Sie leistungsfähigere Abfragen mit fortgeschrittenen SQL-Techniken wie Views, Transaktionen, Stored Procedures und Joins.

Beschreiben Sie die Linux-Architektur und gängige Linux-Distributionen und aktualisieren und installieren Sie Software auf einem Linux-System.

Führen Sie gängige Informations-, Datei-, Inhalts-, Navigations-, Komprimierungs- und Netzwerkbefehle in der Bash-Shell aus.

Entwickeln Sie Shell-Skripte mit Linux-Befehlen, Umgebungsvariablen, Pipes und Filtern.

Planen Sie Cron-Aufträge in Linux mit crontab und erklären Sie die Cron-Syntax.

Erstellen, Abfragen und Konfigurieren von Datenbanken und Zugriff auf und Aufbau von Systemobjekten wie z.B. Tabellen.

Führen Sie die grundlegende Datenbankverwaltung durch, einschließlich der Sicherung und Wiederherstellung von Datenbanken sowie der Verwaltung von Benutzerrollen und Berechtigungen.

Überwachen und optimieren Sie wichtige Aspekte der Datenbankleistung.

Beheben Sie Probleme mit der Datenbank wie Konnektivität, Anmeldung und Konfiguration und automatisieren Sie Funktionen wie Berichte, Benachrichtigungen und Alarme.

Beschreiben und vergleichen Sie Extrahieren, Transformieren, Laden (ETL)-Prozesse und Extrahieren, Laden, Transformieren (ELT)-Prozesse.

Erklären Sie die Batch- und die gleichzeitige Ausführung.

Implementierung des ETL-Workflows durch Bash- und Python-Funktionen.

Beschreiben Sie die Komponenten, Prozesse, Tools und Technologien der Datenpipeline.

Berufsreife Data-Warehousing-Kenntnisse in nur 6 Wochen, unterstützt durch praktische Erfahrung und ein IBM-Zertifikat.

Entwerfen und bestücken Sie ein Data Warehouse und modellieren und fragen Sie Daten mit CUBE, ROLLUP und materialisierten Ansichten ab.

Identifizieren Sie gängige Datenanalyse- und Business Intelligence-Tools und -Anbieter und erstellen Sie Datenvisualisierungen mit IBM Cognos Analytics.

Wie man Daten entwirft und in ein Data Warehouse lädt, Aggregationsabfragen schreibt, materialisierte Abfragetabellen erstellt und ein Analyse-Dashboard erstellt.

Erforschung des Zwecks von Analyse- und Business Intelligence (BI)-Tools

Entdecken Sie die Möglichkeiten von IBM Cognos Analytics und Google Looker Studio

Zeigen Sie Ihr Können bei der Analyse von DB2-Daten mit IBM Cognos Analytics

Erstellung und gemeinsame Nutzung interaktiver Dashboards mit IBM Cognos Analytics und Google Looker Studio

Unterscheiden Sie zwischen den vier Hauptkategorien von NoSQL-Repositories.

Beschreiben Sie die Merkmale, Funktionen, Vorteile, Einschränkungen und Anwendungen der gängigsten Big Data-Verarbeitungstools.

Führen Sie allgemeine Aufgaben mit MongoDB-Aufgaben durch, einschließlich Erstellen, Lesen, Aktualisieren und Löschen (CRUD).

Führen Sie Keyspace-, Tabellen- und CRUD-Operationen in Cassandra aus.

Erklären Sie die Auswirkungen von Big Data, einschließlich Anwendungsfällen, Tools und Verarbeitungsmethoden.

Beschreiben Sie die Architektur, das Ökosystem, die Praktiken und die benutzerbezogenen Anwendungen von Apache Hadoop, einschließlich Hive, HDFS, HBase, Spark und MapReduce.

Wenden Sie die Grundlagen der Spark-Programmierung an, einschließlich der Grundlagen der parallelen Programmierung für DataFrames, Datensätze und Spark SQL.

Verwenden Sie die RDDs und Datensätze von Spark, optimieren Sie Spark SQL mit Catalyst und Tungsten und nutzen Sie die Optionen der Entwicklungs- und Laufzeitumgebung von Spark.

Beschreiben Sie ML, erläutern Sie seine Rolle im Data Engineering, fassen Sie generative KI zusammen, diskutieren Sie die Einsatzmöglichkeiten von Spark und analysieren Sie ML-Pipelines und Modellpersistenz.

Bewerten Sie ML-Modelle, unterscheiden Sie zwischen Regressions-, Klassifizierungs- und Clustering-Modellen und vergleichen Sie Data Engineering-Pipelines mit ML-Pipelines.

Konstruieren Sie die Datenanalyseprozesse mit Spark SQL und führen Sie Regression, Klassifizierung und Clustering mit SparkML durch.

Demonstrieren Sie die Verbindung zu Spark-Clustern, bauen Sie ML-Pipelines auf, führen Sie die Merkmalsextraktion und -umwandlung durch, und modellieren Sie die Persistenz.

Beherrschen Sie die Fähigkeiten, die für eine Einstiegsposition in der Datentechnik erforderlich sind.

Entwerfen und implementieren Sie verschiedene Konzepte und Komponenten im Lebenszyklus der Datentechnik, wie z.B. Daten-Repositories.

Präsentieren Sie Ihre Kenntnisse im Umgang mit relationalen Datenbanken, NoSQL-Datenspeichern, Big Data-Engines, Data Warehouses und Datenpipelines.

Wenden Sie Kenntnisse in Linux-Shell-Skripting, SQL und Python Programmiersprachen auf Data Engineering Probleme an.

Nutzung verschiedener generativer KI-Tools und -Techniken in branchenübergreifenden Data-Engineering-Prozessen

Implementierung verschiedener Data-Engineering-Prozesse wie Datengenerierung, -anreicherung und -anonymisierung mit generativen KI-Tools

Üben Sie Ihre generativen KI-Fähigkeiten in praktischen Übungen und Projekten zum Entwurf von Data-Warehouse-Schemata und zur Einrichtung der Infrastruktur

Bewerten Sie Fallstudien aus der Praxis, die die erfolgreiche Anwendung von generativer KI für ETL und Datenrepositorien zeigen

Beschreiben Sie die Rolle eines Dateningenieurs und einige Karrieremöglichkeiten sowie die voraussichtlichen Chancen in diesem Bereich.

Erläutern Sie, wie Sie eine Grundlage für die Stellensuche schaffen, einschließlich der Recherche von Stellenangeboten, dem Verfassen eines Lebenslaufs und der Erstellung einer Arbeitsmappe.

Fassen Sie zusammen, was ein Bewerber während eines typischen Vorstellungsgesprächszyklus erwarten kann, welche Arten von Vorstellungsgesprächen es gibt und wie man sich auf Vorstellungsgespräche vorbereitet.

Erklären Sie, wie Sie ein effektives Vorstellungsgespräch führen, einschließlich Techniken zur Beantwortung von Fragen und einer professionellen persönlichen Präsentation.