OOP kombiniert mit Data-Science-Grundlagen – Weiterbildung

Data Science und Softwareentwicklung werden im Berufsalltag selten getrennt betrieben: Wer Daten analysiert, muss sie oft aus Datenbanken abrufen, strukturiert aufbereiten und die eigene Auswertungslogik so programmieren, dass sie auch bei wachsendem Umfang nachvollziehbar bleibt. Dieser Kurs verbindet deshalb zwei eigenständige, aber eng zusammenhängende Bereiche: Data-Science-Grundlagen mit Datenaufbereitung, relationalen Datenbanken und ersten statistischen Modellen auf der einen Seite, objektorientierte Programmierung zur strukturierten Umsetzung eigener Auswertungslogik auf der anderen. Wer diesen Kurs abschließt, kann Daten nicht nur analytisch einordnen, sondern die dafür notwendigen Programme auch sauber und wiederverwendbar aufbauen.

Der erste Themenblock behandelt die strukturierte Datenverarbeitung als Ausgangspunkt jeder Analyse.

• Import von Daten aus unterschiedlichen Quellen und Formaten
• Bereinigung unvollständiger oder fehlerhafter Datensätze
• Aufbereitung von Rohdaten für weiterführende Analysen
• Explorative Techniken zur ersten Sichtung eines Datensatzes
• Identifikation von Auffälligkeiten und Mustern vor der eigentlichen Analyse
• Dokumentation der Aufbereitungsschritte für nachvollziehbare Ergebnisse

Der zweite Themenblock widmet sich relationalen Datenbanken und komplexen SQL-Abfragen, mit denen sich Analysedaten gezielt abrufen lassen.

• Grundlagen relationaler Datenbanken und ihrer Struktur
• Schreiben von SQL-Abfragen zum gezielten Abrufen von Daten
• Manipulation von Daten mithilfe von SQL
• Einsatz von Joins zur Kombination mehrerer Tabellen
• Einsatz von Aggregationen zur Zusammenfassung großer Datenmengen
• Aufbau strukturierter Abfragen für wiederkehrende Auswertungsfragen

Der dritte Themenblock führt in Data Science und statistische Modelle ein, mit denen sich aus aufbereiteten Daten belastbare Aussagen ableiten lassen.

• Grundprinzipien statistischer Modelle für die Datenanalyse
• Regressionstechniken zur Erkennung von Zusammenhängen
• Grundlagen der Wahrscheinlichkeitsrechnung für einfache Einschätzungen
• Cluster-Methoden zur Gruppierung ähnlicher Datensätze
• Klassifikationsmethoden für datengetriebene Entscheidungen
• Einordnung, welches statistische Modell zu welcher Fragestellung passt

Der vierte Themenblock behandelt objektorientierte Programmierung, mit der sich die zuvor erarbeitete Auswertungslogik strukturiert umsetzen lässt.

• Klassen und Objekte zur Strukturierung von Analysecode
• Aufbau flexibler, wartbarer Codestrukturen mit eigenen Klassen
• Vererbung zur Wiederverwendung bestehender Auswertungslogik
• Polymorphie zur Optimierung austauschbarer Programmteile
• Kapselung von Daten innerhalb einer objektorientierten Auswertungsstruktur
• Aufbau eines modularen Programms aus mehreren zusammenwirkenden Klassen

Im Praxisteil verbinden die Teilnehmenden Datenaufbereitung, SQL, statistische Modelle und objektorientierte Programmierung in einem durchgehenden Projekt.

• Import und Bereinigung eines realitätsnahen Beispieldatensatzes
• Aufbau von SQL-Abfragen zur gezielten Extraktion relevanter Daten
• Kombination mehrerer Tabellen mittels Joins zu einem Beispielszenario
• Anwendung einer Regressionstechnik auf den aufbereiteten Datensatz
• Gruppierung von Datensätzen mit einer einfachen Cluster-Methode
• Aufbau eigener Klassen zur Strukturierung der Analyseschritte
• Einsatz von Vererbung zur Wiederverwendung bestehender Auswertungslogik
• Verbindung von Datenbankzugriff und objektorientierter Auswertungslogik in einem Programm
• Dokumentation der einzelnen Analyse- und Programmierschritte
• Überprüfung der Analyseergebnisse auf Plausibilität
• Umbau eines unstrukturierten Auswertungsskripts nach objektorientierten Prinzipien
• Abschließende Präsentation des vollständigen Analyseprojekts

Die vier Themenblöcke sind bewusst so angeordnet, dass sich Data-Science- und Programmierkompetenzen gegenseitig ergänzen: Erst eine saubere Datenaufbereitung liefert verlässliche Grundlage für SQL-Abfragen, erst gezielte SQL-Abfragen liefern die Datenbasis für statistische Modelle, und erst eine objektorientierte Programmstruktur macht die gesamte Auswertungslogik wiederverwendbar und wartbar. Dieser kombinierte Aufbau unterscheidet den Kurs von einem reinen Data-Science-Kurs ohne Programmierbezug oder einem reinen Programmierkurs ohne Datenbezug: Beide Bereiche werden hier konsequent zusammengedacht, so wie es der Berufsalltag zwischen Datenanalyse und Softwareentwicklung tatsächlich verlangt.

Der Kurs richtet sich an Mitarbeitende, die künftig sowohl analytisch mit Daten arbeiten als auch die dafür notwendige Auswertungslogik strukturiert programmieren möchten.

• Personen mit Interesse an Data Science, die zugleich Programmierkenntnisse aufbauen möchten
• Mitarbeitende, die künftig mit relationalen Datenbanken und SQL arbeiten sollen
• Angehende Data Scientists ohne bisherige Programmiererfahrung
• Softwareentwickler:innen, die ihre Kenntnisse um Data-Science-Grundlagen erweitern möchten

Der Unterricht findet überwiegend in Vollzeit statt, mit einzelnen Abschnitten in Teilzeit, und ist als Hybrid-Format organisiert, das Präsenz- und Online-Einheiten kombiniert. Jeder der vier Themenblöcke wird direkt an einem durchgehenden Beispielprojekt angewendet, sodass Datenaufbereitung, SQL-Abfragen, statistische Modelle und objektorientierter Code nicht getrennt, sondern als ein zusammenhängender Arbeitsprozess erlebt werden. Diese Verzahnung von Theorie und Anwendung zieht sich durch den gesamten Kurs.

Der Kurs gliedert sich in die vier Themenblöcke Datenaufbereitung, relationale Datenbanken und SQL, Data-Science-Grundlagen sowie objektorientierte Programmierung, ergänzt um einen durchgehenden Praxisteil am Beispielprojekt. Der Unterricht findet als Hybrid Learning überwiegend in Vollzeit statt, mit einzelnen Abschnitten in Teilzeit. Konkrete Termin- und Zeitangaben sind beim jeweiligen Anbieter zu erfragen.

Der Kurs schließt in der Regel mit einem trägerinternen Zertifikat ab; je nach Anbieter ist zusätzlich eine Abschlussprüfung vorgesehen, in der sowohl die Data-Science-Grundlagen als auch die objektorientierte Programmierung nachgewiesen werden. Eine herstellerseitige Zertifizierung ist damit nicht verbunden.

In vielen Unternehmen wird Datenanalyse nicht als isolierte Tätigkeit betrieben, sondern verlangt auch technisches Verständnis dafür, wie Daten aus Datenbanken abgerufen und Auswertungen programmiert werden. Dieser Kurs schließt genau diese Lücke zwischen analytischem und technischem Arbeiten, statt beide Bereiche getrennt voneinander zu behandeln. Die Kombination aus SQL-Datenbankzugriff, statistischen Grundlagen und objektorientierter Programmierung macht dabei einen praktischen Unterschied: Wer nicht nur weiß, welches statistische Modell zu einer Fragestellung passt, sondern die dafür notwendigen Daten auch selbst per SQL abrufen und die Auswertung strukturiert programmieren kann, ist deutlich weniger auf die Vorarbeit anderer angewiesen. Für den beruflichen Werdegang eröffnet dieser Kurs damit zwei Richtungen zugleich: den Einstieg in datenanalytische Tätigkeiten mit solidem Programmierverständnis sowie den Einstieg in die Softwareentwicklung mit einem Gespür für Daten, Datenbanken und statistische Zusammenhänge - eine Kombination, die auf dem Arbeitsmarkt zunehmend gefragt ist.