Big Data Engineer
| Kurs-ID | 15896-2024-09-16 |
| Datum | 16.09.2024 bis 08.11.2024 |
| Dauer | 8 Woche(n) |
| Unterrichtszeiten | Montag bis Freitag von 08:30 bis 15:35 Uhr (in Wochen mit Feiertagen von 8:30 bis 17:10 Uhr) |
| Kosten | k. A. |
| Zielgruppe | Der Lehrgang richtet sich an Personen mit abgeschlossenem Studium in der Informatik, Wirtschaftsinformatik, BWL, Mathematik oder vergleichbarer Qualifikation. |
| Voraussetzung | Programmierkenntnisse (idealerweise Python) und Erfahrungen mit Datenbanken (SQL) werden vorausgesetzt. |
| Abschluss | Zertifikat „Big Data Engineer“, Zertifikat „Data Engineer“, Zertifikat „Big Data Specialist" |
| Förderung | Bildungsgutschein (Arbeitsuchende und Arbeitslose), Weiterbildungsförderung für Beschäftigte, Europäischer Sozialfonds ESF (Kurzarbeit oder Transfergesellschaften). Weitere Förderstellen: Berufsförderungsdienst (BFD), die Berufsgenossenschaft (BG) sowie der Rentenversicherungsträger (DRV). |
| Präsenzkurs | Keine Angabe. |
| mind. Teilnehmerzahl | 6 |
| max. Teilnehmerzahl | 25 |
| URL des Kurses | Details beim Anbieter |
| Anmelde URL des Kurses | Direkte Anmeldung beim Anbieter |
| spezielles Angebot für Dozenten | Keine Angabe. |
|
Veranstaltungsort
|
alfatraining Bildungszentrum GmbH
Hauptstraße 40 77652 Offenburg |
| Abendkurs | Bildungsgutschein | Förderfähig nach Fachkursprogramm des ESF | Barierrefreier Zugang |
|---|---|---|---|
| Nein | Ja | k. A. | k. A. |
| Beschreibung |
|---|
| Big Data Engineers werden zur interdisziplinären Analyse und Konzeption von IT- und Datenbanklösungen eingesetzt. Der Kurs erläutert daher die Grundlagen von Business Intelligence, den Einsatz von Künstlicher Intelligenz (KI) sowie die Anforderungen des Data Engineerings. Data Engineer Grundlagen Business Intelligence (ca. 2 Tage) Anwendungsfelder, Dimensionen einer BI Architektur Grundlagen Business Intelligence, OLAP, OLTP, Aufgaben der Data Engineers Data Warehousing (DWH): Umgang und Verarbeitung von strukturierten, semi-strukturierten und unstrukturierten Daten Anforderungsmanagement (ca. 2 Tage) Aufgaben, Ziele und Vorgehensweise in der Anforderungsanalyse Datenmodellierung, Einführung/Modellierung mit ERM Einführung/Modellierung in der UML · Klassendiagramme · Use-Case Analyse · Aktivitätsdiagramme Künstliche Intelligenz (KI) im Arbeitsprozess Vorstellung von konkreten KI-Technologien im beruflichen Umfeld Anwendungsmöglichkeiten und Praxis-Übungen Datenbanken (ca. 3 Tage) Grundlagen von Datenbanksystemen Architektur von Datenbankmanagementsystemen Anwendung RDBMS Umsetzung Datenmodell in RDBMS, Normalformen Praktische und theoretische Einführung in SQL Grenzen von Relationalen Datenbanken, csv, json Data Warehouse (ca. 4 Tage) Star Schema Datenmodellierung Erstellung Star Schema in RDBMS Snowflake Schema, Grundlagen, Datenmodellierung Erstellung Snowflake Schema in RDBMS Galaxy Schema: Grundlagen, Datenmodellierung Slowly Changing Dimension Tables Typ 1 bis 5 – Restating, Stacking, Reorganizing, mini Dimension und Typ 5 Einführung in normal, causal, mini und monster, heterogeneous und sub Dimensions Vergleich von state und transaction oriented Faktentabellen, Density und Storage vom DWH ETL (ca. 4 Tage) Data Cleansing · Null Values · Aufbereitung von Daten · Harmonisierung von Daten · Anwendung von Regular Expressions Data Understanding · Datenvalidierung · Statistische Datenanalyse Datenschutz, Datensicherheit Praktischer Aufbau von ETL-Strecken Data Vault 2.0, Grundlagen, Hubs, Links, Satellites, Hash Key, Hash Diff. Data Vault Datenmodellierung Praktischer Aufbau eines Data Vault Modells – Raw Vault, Praktische Umsetzung von Hash-Verfahren Projektarbeit (ca. 5 Tage) Zur Vertiefung der gelernten Inhalte Präsentation der Projektergebnisse Big Data Specialist Was ist Big Data? (ca. 1 Tag) Volume, Velocity, Variety, Value, Veracity Chancen und Risiken großer Datenmengen Abgrenzung: Business Intelligence, Data Analytics, Data Science Was ist Data Mining? Einführung in Apache Frameworks (ca. 2 Tage) Big-Data-Lösungen in der Cloud Datenzugriffsmuster Datenspeicherung MapReduce (ca. 3 Tage) MapReduce Philosophie Hadoop Cluster Verketten von MapReduce Jobs Künstliche Intelligenz (KI) im Arbeitsprozess Vorstellung von konkreten KI-Technologien im beruflichen Umfeld Anwendungsmöglichkeiten und Praxis-Übungen Komponenten (ca. 3 Tage) Kurzvorstellung von verschiedenen Tools Datenübertragung YARN-Anwendungen Hadoop JAVA-API Apache Spark NoSQL und HBase (ca. 3 Tage) CAP-Theorem ACID und BASE Typen von Datenbanken HBase Big Data Visualisierung (ca. 3 Tage) Theorien der Visualisierung Diagrammauswahl Neue Diagrammarten Werkzeuge zur Datenvisualisierung Projektarbeit (ca. 5 Tage) Zur Vertiefung der gelernten Inhalte Präsentation der Projektergebnisse Änderungen möglich. Die Lehrgangsinhalte werden regelmäßig aktualisiert. |
| Schlagworte |
|---|
| datenbank, visualisierung |
| Gelistet in folgenden Rubriken: |
|---|