Datu analīze ar Microsoft BI un Python
PROGRAMMAS MĒRĶIS
Izglītības procesa rezultātā iegūt zināšanas un apgūt prasmes Microsoft Power BI un Python pielietošanai datu izpētei, datu modelēšanai, datu vizualizēšanai un koplietošanai.
Mācību ilgums un formāts
160 mācību kontaktstundas
Tiešsaistē
Mērķauditorija
Ikviens, kurš apkopo un analīzē datus, kā arī sadarbojas ar citiem, aprakstot un prezentējot datus: vadītāji, finanšu speciālisti, analītiķi, pētnieki
Tehnoloģijas
Microsoft Power BI
Python
Priekšzināšanas un noteikumi dalībai
Vismaz vidējā izglītība. Prasmes strādāt ar biroja programmatūru. Nodarbību apmeklējumam jābūt vismaz 80% apmērā jeb 128 mācību stundas.
Mācību norise un nepieciešamais aprīkojums
Mācību programma tiek īstenota tiešsaistē, saskaņā ar MK noteikumiem Nr.111 "Attālināto mācību organizēšanas un īstenošanas kārtība”. Nodarbības notiek divus darba dienas vakarus nedēļā un sestdienās. Mācību programmu veido 20% teorija, 80% praktiskie uzdevumi, 50% projektos balstīta mācīšanās. Projektos balstīta mācīšanās nozīmē darbu grupās, kad mācību dalībnieki izstrādā projektu, kas ir balstīts uz reālu darba situāciju, praktiski pielietojot nodarbībās apgūtās prasmes un zināšanas.
Sekmīgai dalībai mācībās dalībniekam ir nepieciešams dators ar Windows operētājsistēmu, webkameru un mikrofonu, kā arī stabils interneta pieslēgums. Mācību programmas apgūšanai nepieciešamo programmatūru nodrošina izglītības iestāde.
Mācīšanās rezultāti
Pēc sekmīgas mācību programmas apgūšanas kursa dalībnieki spēs:
-
sagatavot un pielietot Microsoft BI vidi datu analīzei;
-
sagatavot un pielietot Python vidi datu apstrādei;
-
sagatavot datus no vairākiem avotiem un formātiem analīzei;
-
iegūt datus no dažādiem avotiem; tīrīt datus, izmantojot Power BI vaicājumu redaktoru;
-
pielietot paņēmienus datu ticamības pārbaudei;
-
definēt, veidot un optimizēt datu modeļus;
-
pētīt datu relācijas un veidot DAX formulas;
-
veidot datu arhīvus;
-
pielietot atbilstošu metodoloģiju datu analītikai;
-
pielietot paņēmienus datu kvalitātes un integritātes nodrošināšanai;
-
pielietot datu apstrādes paņēmienus un vizualizēt datu analīzes rezultātus;
-
pielietot Python rīkus regresijas un korelācijas analīzei;
-
veidot informācijas paneļus un vizualizācijas, lai nodrošinātu datos balstītus lēmumus;
-
modelēt un veidot datu vizualizāciju;
-
veidot Python skriptus datu automātiskai atjaunināšanai izklājlapā;
-
modelēt un plānot sistemātisku datu iegūšanas, apstrādes un glabāšanas vides novērošanu, lai identificētu un definētu ievainojamības un draudus, kā arī reģistrētu un ziņotu neatbilstības;
-
pielietot paņēmienus proaktīvai datu konfidencialitātes un drošības aizsardzībai;
-
pielietot datu aizsardzības regulas un politiku datu kvalitātes un atbilstības uzturēšanai;
-
pielietot kvalitātes politiku datu kvalitātes un atbilstības nodrošināšanai;
-
veidot sadarbību ar kolēģiem, partneriem, klientiem, prezentējot datu apstrādes analīzes rezultātus.
Programma attīsta e-kompetences un caurviju kompetences
DIGCOMP 2.2
Datu zinātne, datu analīze un datu vizualizācija, 5.līmenis
e-CF 4.0
D.7. Data Science and Analytics L2 & L3
E.6. ICT Quality Management L2
E.8. Information Security Management L2
Caurviju kompetences
-
Komunikācija
-
Pašattīstība
-
Darbs komandā
-
Iniciatīva
-
Pielāgošanās
Materiāli kursa dalībniekiem
Pasniedzēja sagatavoti mācību materiāli latviešu valodā.
Kursa tēmas
1. Microsoft BI vides sagatavošana datu analīzei
2. Python vides sagatavošana datu apstrādei
3. Datu iegūšana analīzei no vairākiem avotiem un formātiem
4. Datu tīrīšana, izmantojot Power BI vaicājumu redaktoru
5. Datu ticamība
6. Datu modelēšana
7. Datu relācijas
8. DAX formulu veidošana
9. Datu konfidencialitāte un drošība
10. Datu atbalsts visa datu dzīves cikla garumā
11. Datu analītikas metodoloģijas izvēles principi
12. Datu kvalitātes un integritātes nodrošināšana
13. Datu apstrāde un datu analīzes rezultātu vizualizēšana
14. Regresijas un korelācijas analīze ar Python rīkiem
15. Informācijas paneļu veidošana
16. Datu plūsmu organizēšana
17. Python skriptu veidošana datu automātiskai atjaunināšanai izklājlapā
18. Sadarbība ar kolēģiem, partneriem, klientiem, prezentējot datu apstrādes analīzes rezultātus.
19. Datu kvalitātes nodrošināšana un atbilstība datu aizsardzības regulām un politikām