Microsoft Power BI für Datenmodelle mit Zusatzqualifikation: Tableau, TensorFlow, Prompt Engineering, Deep Learning und Data Science

Nach Abschluss der Weiterbildung verfügen Sie über Kenntnisse in der Erstellung und Analyse von Datenmodellen mit Microsoft Power BI. Sie sind in der Lage, Daten mit Tableau zu visualisieren und TensorFlow für maschinelles Lernen zu nutzen. Sie beherrschen Prompt Engineering und Deep Learning, um komplexe Datenprobleme zu lösen. Zudem sind Sie in der Lage, datenwissenschaftliche Methoden anzuwenden. Diese Fähigkeiten qualifizieren Sie für Tätigkeiten in der Datenanalyse, im maschinellen Lernen und in der Entwicklung datengetriebener Lösungen.

Power BI und Datenvisualisierung

• Datenvorbereitung für Power BI
• Arbeiten mit Power Query
• Benutzeroberfläche von Power BI
• Datenquellen verbinden und importieren
• Interaktive Dashboards gestalten
• Balken- und Liniendiagramme
• Berechnungen mit DAX-Ausdrücken
• Erstellen von interaktiven Dashboards

Tableau für fortgeschrittene Analysen

• Einführung in Tableau und Verstehen von Datenmodellierung
• Darstellen von Veränderungen durch Ranglisten und Bump-Diagramme
• Aggregationen, Berechnungen und Parameter
• Erstellen von Umsatzkarten und Visualisierung von Verkaufsdaten
• Verwendung von Kartendiensten
• Erstellen von Reporten inklusive Dashboard mit Interaktivität

TensorFlow und Deep Learning

• Installation und Einrichtung von TensorFlow
• Grundlegende Verwendung von TensorFlow
• Verwendung von Keras
• Erstellen von Machine-Learning-Modellen mit Keras
• Erstellen von FCN- und CNN-Modellen mit Keras
• Erstellen von RNN-Modellen mit Keras
• Analyse von Machine Learning in TensorFlow

Prompt Engineering und AI

• Einführung in Prompt Engineering: Grundlagen und Überblick
• ChatGPT: das Sprachmodell von OpenAI
• Training von ChatGPT: Verbesserung der Leistung durch Feinabstimmung
• Interaktive Konversation: dialogbasierte Nutzung von ChatGPT
• Nutzung von ChatGPT: Anwendungsmöglichkeiten und Potenziale
• Kontextsensitivität in ChatGPT: Verbesserung der Antworten durch Kontextverständnis

Datenwissenschaft und Python

• Einführung in Pandas und Dataframes
• Datenreinigung
• Grundlegende statistische Kenngrößen
• Datenvisualisierung
• Python- und Machine-Learning-Bibliotheken
• Einführung in Machine Learning
• K-means Clustering

Maschinelles Lernen und Neuronale Netze

• Aufgaben und Funktion von Deep Learning
• Trainieren eines Neuronalen Netzes
• Abgrenzung von Machine Learning und Deep Learning
• Neuronale Netze