IBM Data Analyst (berufsbezogenes Zertifikat)

Zeigen Sie Kenntnisse in Excel für die Datenanalyse.

Führen Sie grundlegende Aufgaben der Tabellenkalkulation aus, einschließlich Navigation, Dateneingabe und Verwendung von Formeln.

Verwenden Sie Datenqualitätstechniken zum Importieren und Bereinigen von Daten in Excel.

Analysieren Sie Daten in Tabellenkalkulationen mit Hilfe von Filter-, Sortier- und Nachschlagefunktionen sowie Pivot-Tabellen.

Erstellen Sie grundlegende Visualisierungen wie Liniendiagramme, Balkendiagramme und Tortendiagramme mit Hilfe von Excel-Tabellenblättern.

Erklären Sie, welche wichtige Rolle Diagramme beim Erzählen einer datengestützten Geschichte spielen.

Konstruieren Sie fortgeschrittene Diagramme und Visualisierungen wie Baumdiagramme, Sparklines, Histogramme, Streudiagramme und ausgefüllte Kartendiagramme.

Erstellen und teilen Sie interaktive Dashboards mit Excel und Cognos Analytics.

Entwickeln Sie ein grundlegendes Verständnis der Python-Programmierung, indem Sie die grundlegende Syntax, Datentypen, Ausdrücke, Variablen und String-Operationen erlernen.

Anwendung der Programmierlogik von Python unter Verwendung von Datenstrukturen, Bedingungen und Verzweigungen, Schleifen, Funktionen, Ausnahmebehandlung, Objekten und Klassen.

Demonstration von Kenntnissen im Umgang mit Python-Bibliotheken wie Pandas und Numpy und Entwicklung von Code mit Jupyter Notebooks.

Greifen Sie auf webbasierte Daten zu und extrahieren Sie sie, indem Sie mit REST APIs arbeiten und Web Scraping mit BeautifulSoup durchführen.

Spielen Sie die Rolle eines Data Scientist / Datenanalysten, der an einem echten Projekt arbeitet.

Demonstrieren Sie Ihre Fähigkeiten in Python - der Sprache der Wahl für Data Science und Datenanalyse.

Wenden Sie die Grundlagen von Python, Python-Datenstrukturen und die Arbeit mit Daten in Python an.

Erstellen Sie ein Dashboard mit Python und Bibliotheken wie Pandas, Beautiful Soup und Plotly unter Verwendung des Jupyter-Notebooks.

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.

Erstellen von Python-Programmen zum Bereinigen und Vorbereiten von Daten für die Analyse unter Berücksichtigung von fehlenden Werten, Formatierungsinkonsistenzen, Normalisierung und Binning

Analysieren Sie reale Datensätze durch explorative Datenanalyse (EDA) mit Bibliotheken wie Pandas, NumPy und SciPy, um Muster und Einblicke aufzudecken

Anwendung von Datenverarbeitungstechniken unter Verwendung von Datenrahmen zum Organisieren, Zusammenfassen und Interpretieren von Datenverteilungen, Korrelationsanalysen und Datenpipelines

Entwicklung und Bewertung von Regressionsmodellen mit Scikit-learn und Verwendung dieser Modelle zur Erstellung von Vorhersagen und zur Unterstützung datengesteuerter Entscheidungsfindung

Implementieren Sie Datenvisualisierungstechniken und Plots mit Python-Bibliotheken wie Matplotlib, Seaborn und Folium, um eine anregende Geschichte zu erzählen

Erstellen Sie verschiedene Arten von Diagrammen und Darstellungen wie Linien-, Flächen-, Histogramm-, Balken-, Torten-, Kasten-, Streu- und Blasendiagramme

Erstellen Sie erweiterte Visualisierungen wie Waffeldiagramme, Wortwolken, Regressionsdiagramme, Karten mit Markierungen und Choroplethenkarten

Erstellen Sie interaktive Dashboards mit Streu-, Linien-, Balken-, Blasen-, Torten- und Sunburst-Diagrammen mithilfe des Dash-Frameworks und der Plotly-Bibliothek

Anwendung von Techniken zum Sammeln und Verarbeiten von Daten aus verschiedenen Quellen.

Analysieren Sie Daten, um Muster, Trends und Einsichten durch explorative Techniken zu ermitteln.

Erstellen Sie visuelle Darstellungen von Daten mit Hilfe von Python-Bibliotheken, um Ergebnisse effektiv zu kommunizieren.

Erstellen Sie interaktive Dashboards mit BI-Tools, um Daten dynamisch darzustellen und zu untersuchen.

Beschreiben Sie, wie Sie Generative KI-Tools und -Techniken im Kontext der Datenanalyse branchenübergreifend einsetzen können

Implementieren Sie verschiedene Datenanalyseprozesse wie Datenaufbereitung, Analyse, Visualisierung und Storytelling mit Generative KI-Tools

Bewerten Sie reale Fallstudien, die die erfolgreiche Anwendung von Generativer KI zur Gewinnung aussagekräftiger Erkenntnisse zeigen

Analysieren Sie die ethischen Überlegungen und Herausforderungen, die mit dem Einsatz Generativer KI in der Datenanalyse verbunden sind

Beschreiben Sie die Rolle eines Datenanalysten 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.