Data Science and Big Data Analytics

Dieser Kurs vermittelt praxisorientiertes Wissen, um an Projekten mitzuwirken, bei denen große Datenvolumen (Big Data) verarbeitet werden und bei denen besondere Anforderungen an Analysefunktionen gestellt werden. Neben einer Einführung zu Big Data sowie zum Data Analytics Lifecycle vermittelt er grundlegende und fortgeschrittene Analysemethoden sowie eine Einführung in die Technologien und Werkzeuge, die zur Analyse von Big Data eingesetzt werden, wie MapReduce und Hadoop. Ausführliche Laborübungen sorgen für den Bezug zur Praxis. Der Kurs folgt einem Technologie-neutralen Ansatz und beinhaltet eine abschließende Übung im Labor, bei der die Teilnehmer die im Kurs erlernten Konzepte im Data Analytics Lifecycle-Umfeld anwenden. Er bereitet die Teilnehmer auf die Zertifizierung als Proven™ Professional Data Scientist Associate (EMCDSA) vor und vermittelt Grundlagen zu Data Science, welche durch weitere Schulungen und praktische Erfahrung vertieft werden können.Kursinhalt

• Introduction to Big Data Analytics
• Data Analytics Lifecycle
• Basic Data Analytic Methods Using R
• Advanced Analytics - Theory and Methods
• Advanced Analytics - Technologies and Tools
• The Endgame, or Putting it All Together

Jeder Teilnehmer erhält die englischsprachigen Original-Unterlagen von Dell Technologies.

Zielgruppe

• Teamleiter, deren Aufgabengebiete Informationsdienstleistungen für Unternehmen und Datenanalyse umfassen, sowie alle Personen, die sich professionell mit Big Data auseinandersetzen.
• Analytiker, die sich mit Geschäftsprozessen und Daten beschäftigen und ihre Analysefähigkeiten für Big Data erweitern möchten.
• Daten- und Datenbankexperten, die ihre Analysefähigkeiten für Big Data erweitern möchten.
• Quereinsteiger, die sich in Data Science und den Bereich Big Data einarbeiten wollen.
• Personen, welche die Zertifizierung als EMC Proven Professional Data Scientist Associate (EMCDSA) erwerben wollen.

Voraussetzungen

• Umfassendes Grundlagenwissen zu quantitativer Analyse und Statistik, wie es in einem Statistics 101 Level-Kurs vermittelt wird.
• Erfahrung mit einer Skriptsprache, z.B. Java, Perl, oder Python (oder R).
• Erfahrung mit SQL (in einigen im Kurse verwendeten Beispielen wird PSQL eingesetzt).