Weiterbildung Data Manager:in

Cloud-Konzepte (ca. 3,5 Tage)

Vorteile der AWS Cloud

Prinzipien des AWS Cloud-Designs

Migration zur AWS Cloud

Konzepte der Cloud-Wirtschaftlichkeit

Künstliche Intelligenz (KI) im Arbeitsprozess

Vorstellung von konkreten KI‐Technologien sowie Anwendungsmöglichkeiten im beruflichen Umfeld

Sicherheit und Compliance (ca. 4,5 Tage)

AWS-Modell als geteilte Verantwortung

AWS Cloud-Sicherheits-, Governance- und Compliance-Konzepte

AWS Access Management-Funktionen

Komponenten und Ressourcen für die Sicherheitsunterstützung

Cloud-Technologie und -Services (ca. 5 Tage)

Methoden zur Bereitstellung und zum Betrieb in der AWS Cloud

Globale AWS-Infrastruktur

AWS-Computing-Services, -Datenbank-Services, -Netzwerkservices, und -Speicherservices

AWS-Service für künstliche Intelligenz und maschinelles Lernen sowie Analytik-Services

Services aus anderen abgedeckten AWS-Services-Kategorien

Fakturierung, Preisgestaltung und Support (ca. 2 Tage)

Vergleich von AWS-Preismodellen

Ressourcen für Fakturierung, Budget und Kostenmanagement

Techn. Ressourcen und Supportoptionen von AWS

Projektarbeit, Zertifizierungsvorbereitung und Zertifizierungsprüfung (ca. 5 Tage)

AWS Certified Cloud Practitioner CLF-C02 (in englischer Sprache)

Statistische Grundlagen (ca. 6 Tage)

Messtheoretische Grundlagen (Grundgesamtheit und Stichprobe, Stichprobenarten, Messung und Skalenniveaus)

Univariate Deskriptivstatistik (Häufigkeitsverteilungen, Zentralmaße, Streuungsmaße, Standardwert, Histogramme, Balkendiagramme, Kreisdiagramme, Liniendiagramme und Boxplots)

Bivariate Deskriptivstatistik (Zusammenhangsmaße, Korrelationskoeffizienten, Kreuztabellen, Streudiagramme und gruppierte Balkendiagramme)

Grundlagen der induktiven Inferenzstatistik (Wahrscheinlichkeitsverteilung, Normalverteilung, Mittelwerteverteilung, Signifikanztest, Nullhypothesentest nach Fisher, Effektgröße, Parameterschätzung, Konfidenzintervalle, Fehlerbalkendiagramme, Poweranalysen und Ermittlung des optimalen Stichprobenumfangs)

Künstliche Intelligenz (KI) im Arbeitsprozess

Vorstellung von konkreten KI‐Technologien sowie Anwendungsmöglichkeiten im beruflichen Umfeld

Methoden zum Vergleich von zwei Gruppen (ca. 5 Tage)

z- und t-Test für eine Stichprobe (Abweichung von einem vorgegebenen Wert)

t-Test für den Mittelwertsunterschied von zwei unabhängigen/verbundenen Stichproben

Prüfung der Wirksamkeit von Aktionen, Maßnahmen, Interventionen und anderen Veränderungen mit t-Tests (Pretest-Posttest-Designs mit zwei Gruppen)

Unterstützende Signifikanztests (Anderson-Darling-Test, Ryan-Joiner-Test, Levene-Test, Bonnet-Test, Signifikanztest für Korrelationen)

Nonparametrische Verfahren (Wilcoxon-Test, Vorzeichentest, Mann-Whitney-Test)

Kontingenzanalysen (Binomialtest, Exakter Test nach Fisher, Chi-Quadrat-Test, Kreuztabellen mit Assoziationsmaße)

Methoden zum Mittelwertvergleich von mehreren Gruppen (ca. 5 Tage)

Ein- und zweifaktorielle Varianzanalyse (einfache und balancierte ANOVA)

Mehrfaktorielle Varianzanalyse (Allgemeines lineares Modell)

Feste, zufällige, gekreuzte und geschachtelte Faktoren

Mehrfachvergleichsverfahren (Tukey-HSD, Dunnett, Hsu-MCB, Games-Howell)

Interaktionsanalyse (Analyse von Wechselwirkungseffekten)

Trennschärfe und Poweranalyse bei Varianzanalysen

Einführung in die Versuchsplanung (DoE, Design of Experiments) (ca. 1 Tag)

Voll- und teilfaktorielle Versuchspläne

Projektarbeit (ca. 3 Tage)

Zur Vertiefung der gelernten Inhalte

Präsentation der Projektergebnisse

Grundlagen von Datenbanksystemen mit Access (ca. 3 Tage)

Redundante Daten

Datenintegrität

Normalisierung

BCNF

DB-Entwurf

Beziehung 1:n, m:n

Datentypen

Tabellen

Primär- und Fremdschlüssel

Referentielle Integrität

Beziehungen zwischen Relationen

Entity-Relationship-Modell

Index, Standartwert

Einschränkungen (Check)

Abfragen

Formulare, Berichte

Zirkelbezug

Einführung in SQL Server Management Studio (SSMS) (ca. 2 Tage)

Übersicht

Phys. DB-Design

Tabellen erstellen

Datentypen in MS SQL

Primary Key

Einschränkungen, Standartwerte, Diagramm, Beziehungen

Backup und Restore

Künstliche Intelligenz (KI) im Arbeitsprozess

Vorstellung von konkreten KI‐Technologien sowie Anwendungsmöglichkeiten im beruflichen Umfeld

Einführung in DDL (ca. 8 Tage)

SQL Grundlagen

Syntax

Befehle

Mehrere Tabellen

Operatoren

Ablaufkontrolle

Skalarwertfunktionen

Tabellenwertfunktionen

Systemfunktionen

Prozeduren mit und ohne Parameter

Fehlertypen

Transaktionen, Sperren, DeadLock

DCL – Data Control Language (ca. 1 Tag)

Anmeldungen

Benutzer:innen

Rollen

Berechtigungen

Datentypen, Datenimport und -export (ca. 1 Tag)

Datentyp geography

Datenexport, Datenimport

Projektarbeit (ca. 5 Tage)

Zur Vertiefung der gelernten Inhalte

Präsentation der Projektergebnisse

Grundlagen Python (ca. 1 Tag)

Geschichte, Konzepte

Verwendung und Einsatzgebiete

Syntax

Erste Schritte mit Python (ca. 5 Tage)

Zahlen

Zeichenketten

Datum und Zeit

Standardeingabe und -ausgabe

list, tuple dict, set

Verzweigungen und Schleifen (if, for, while)

Künstliche Intelligenz (KI) im Arbeitsprozess

Vorstellung von konkreten KI‐Technologien sowie Anwendungsmöglichkeiten im beruflichen Umfeld

Funktionen (ca. 5 Tage)

Eigene Funktionen definieren

Variablen

Parameter, Rekursion

Funktionale Programmierung

Fehlerbehebung (ca. 0,5 Tage)

try, except

Programmunterbrechungen abfangen

Objektorientierte Programmierung (ca. 4,5 Tage)

Python-Klassen

Methoden

Unveränderliche Objekte

Datenklasse

Vererbung

Grafische Benutzeroberfläche (ca. 1 Tag)

Buttons und Textfelder

grid-Layout

Dateiauswahl

Projektarbeit (ca. 3 Tage)

Zur Vertiefung der gelernten Inhalte

Präsentation der Projektergebnisse

Die Weiterbildung Data Manager vermittelt essenzielle Kenntnisse in Cloud-Technologien, Datenmanagement und Programmierung. Ein zentraler Schwerpunkt liegt auf AWS Cloud-Konzepten, einschließlich der Vorteile, Design-Prinzipien und Migrationsstrategien. Zudem werden Aspekte wie Sicherheit, Compliance und Governance behandelt, um eine sichere Cloud-Umgebung zu gewährleisten.

Ein weiterer Fokus der Weiterbildung liegt auf Cloud-Technologien und -Services, darunter Computing-, Netzwerk- und Datenbanklösungen sowie Analytik- und KI-gestützte AWS-Services. Die Teilnehmer lernen, verschiedene AWS-Preismodelle zu vergleichen und Ressourcen für Fakturierung, Budgetierung und Support zu nutzen.

Die Schulung beinhaltet zudem eine statistische Ausbildung, die von Grundlagen über deskriptive und inferenzstatistische Methoden bis hin zur Versuchsplanung reicht. Dabei werden wichtige Analysetechniken wie t-Tests, Varianzanalysen und Korrelationsberechnungen vermittelt.

Das Modul Datenbanken und SQL der Fortbildung umfasst den Umgang mit relationalen Datenbanksystemen, das Erstellen von Tabellen und Abfragen sowie die Datenmanipulation mit SQL und DDL/DCL-Befehlen. Zudem werden Datenimport/-export und Sicherheitskonzepte für den Zugriff auf Datenbanken behandelt.

Im Bereich Programmierung mit Python erlernen die Teilnehmer die Grundlagen der Sprache, einschließlich Datenstrukturen, Funktionen, objektorientierter Programmierung und Fehlerbehandlung. Zusätzlich wird die Entwicklung grafischer Benutzeroberflächen vermittelt.

Künstliche Intelligenz (KI) im Arbeitsprozess zieht sich als Querschnittsthema durch alle Module. Die Teilnehmer erhalten einen Überblick über KI-Technologien und deren praktische Anwendung in der Datenanalyse, Automatisierung und Entscheidungsfindung.

Praxisorientierte Projektarbeiten ermöglichen im Kurs die Vertiefung der erworbenen Kenntnisse. Die Weiterbildung bereitet gezielt auf die AWS Certified Cloud Practitioner CLF-C02 Prüfung vor und bietet eine fundierte Grundlage für eine Karriere in Cloud-Administration, Datenmanagement und Data Science.

Der Lehrgang ist ideal für IT-Spezialisten, Softwareentwickler, Ingenieure, Betriebswirte sowie kaufmännische Fachkräfte und erfahrene Berufspraktiker, die ihr Wissen gezielt erweitern möchten.

Als Data Manager mit Kenntnissen in AWS, Python und SQL spielst Du eine zentrale Rolle in der Verwaltung, Analyse und Optimierung von Datenprozessen innerhalb eines Unternehmens. Du bist dafür verantwortlich, große Datenmengen effizient zu speichern, zu verarbeiten und zugänglich zu machen.

Mit AWS (Amazon Web Services) kümmerst Du Dich um die Verwaltung der Cloud-Infrastruktur, insbesondere der Speicherlösungen und Datenbanken. Du richtest AWS-Services wie EC2, S3 oder RDS ein, verwaltest die Cloud-Umgebung und sorgst für eine sichere und kosteneffiziente Nutzung der Dienste. Du bist auch mit der Cloud-Migration vertraut und trägst dazu bei, die Infrastruktur des Unternehmens in die AWS Cloud zu verlagern.

In Deiner Arbeit mit SQL (Structured Query Language) bist Du für das Datenmanagement und die Erstellung von Abfragen verantwortlich. Du analysierst relationale Datenbanken, erstellst komplexe Abfragen, Datenbankindizes und optimierst die Datenbankleistung. Du stellst sicher, dass die Datenintegrität gewahrt bleibt und führst regelmäßige Datenbank-Backups sowie Wiederherstellungen durch.

Mit Python programmierst Du automatisierte Datenverarbeitungsprozesse, entwickelst Datenpipelines und integrierst Daten aus verschiedenen Quellen. Du nutzt Python, um Daten zu analysieren, Maschinelles Lernen zu implementieren und Datenvisualisierungen zu erstellen. Du erstellst Skripte, die wiederkehrende Aufgaben automatisieren, und arbeitest mit Python-Bibliotheken wie Pandas, NumPy und Matplotlib, um datenbasierte Entscheidungen zu treffen und die Datenqualität zu überwachen.

Zusammengefasst kombinierst Du als Data Manager mit AWS, Python und SQL fortschrittliche Cloud-Technologien, Datenanalyse und Automatisierung, um den gesamten Datenlebenszyklus zu optimieren und wertvolle Einblicke für strategische Entscheidungen im Unternehmen zu liefern.

Ein Fernstudium als Data Manager öffnet Dir zahlreiche Türen für eine erfolgreiche berufliche Zukunft. In der heutigen, datengetriebenen Welt sind Unternehmen mehr denn je auf qualifizierte Fachkräfte angewiesen, die ihre Daten optimal verwalten und auswerten können. Mit einer Weiterbildung wirst Du in der Lage sein, die Dateninfrastruktur eines Unternehmens effizient zu steuern und zu optimieren.

Der Kurs vermittelt Dir umfassende Kenntnisse in Cloud-Technologien wie AWS, mit denen Du die Cloud-Infrastruktur für Datenverwaltungsprozesse aufbaust und betreibst. Du lernst, wie Du Daten sicher speicherst und die richtigen Cloud-Services wählst, um Kosten zu senken und die Performance zu steigern.

Mit dem Fokus auf SQL wirst Du in der Lage sein, komplexe Datenbankabfragen zu erstellen, Daten zu organisieren und Datenmanagementprozesse zu optimieren. Zudem wirst Du durch den Einsatz von Python die Automatisierung von Datenprozessen vorantreiben und somit die Effizienz innerhalb eines Unternehmens erheblich steigern.

Der Erwerb dieser praktischen Fähigkeiten wird Deine Karrierechancen auf dem Arbeitsmarkt enorm steigern. Als Data Manager kannst Du in einer Vielzahl von Branchen arbeiten, sei es im Finanzsektor, in der E-Commerce-Branche, im Gesundheitswesen oder in Technologieunternehmen. Du wirst ein gefragter Experte für Datenanalyse, Datenmanagement und Cloud-Computing sein, der für fundierte Entscheidungen auf der Basis von Daten sorgt.

Als Data Manager mit fundierten Kenntnissen in Statistik, AWS, Python und SQL kannst Du ein attraktives Gehalt erwarten. Das genaue Einkommen hängt von verschiedenen Faktoren ab, wie Berufserfahrung, Branche, Unternehmensgröße und geografischer Lage.

Ein Einsteiger mit diesen Fähigkeiten kann in Deutschland mit einem Jahresgehalt von etwa 45.000 bis 55.000 Euro rechnen. Hast Du bereits einige Jahre Berufserfahrung und arbeitest in einem spezialisierten Bereich oder einem großen Unternehmen, kann Dein Gehalt auf 60.000 bis 75.000 Euro oder mehr steigen.

In leitenden Positionen, wie etwa als Senior Data Manager oder Data Engineer, ist es möglich, ein Jahresgehalt von 80.000 bis 100.000 Euro oder darüber hinaus zu erzielen, insbesondere in Unternehmen, die stark auf Cloud-Technologien, Datenanalyse und automatisierte Prozesse setzen.

Die Nachfrage nach Data Managern mit AWS– und Python-Kenntnissen ist aktuell hoch, da immer mehr Unternehmen Daten als wertvolle Ressource nutzen. Daher bieten sich zahlreiche Möglichkeiten, sowohl in traditionellen Industrien als auch in innovativen Technologieunternehmen, was sich positiv auf die Gehaltsentwicklung auswirkt.