Data Engineering mit Python

Datenbasierte Anwendungen setzen voraus, dass Daten zuverlässig verfügbar, verständlich strukturiert und technisch nutzbar sind. Genau hier setzt Data Engineering an. Python hat sich als flexible und leistungsfähige Sprache etabliert, um Daten aus unterschiedlichen Quellen zu erfassen, aufzubereiten und für nachgelagerte Prozesse bereitzustellen. Durch die klare Struktur der Sprache und die Vielzahl spezialisierter Bibliotheken lassen sich auch komplexere Datenflüsse nachvollziehbar umsetzen. 

Ein praxisnahes Verständnis für Data Engineering entsteht vor allem durch die Arbeit an realistischen Aufgabenstellungen. In diesem Kurs beschäftigen sich die Teilnehmer:innen mit typischen Herausforderungen aus dem Alltag von Data-Engineering-Projekten und setzen diese schrittweise mit Python um. Unter Anleitung eines Fachexperten werden Lösungsansätze diskutiert und in den Gesamtkontext datengetriebener Systeme eingeordnet. 

Die Teilnehmer:innen lernen grundlegende Konzepte und Aufgabenbereiche des Data Engineerings kennen. Sie erhalten einen Überblick über gängige Datenquellen, Formate und Integrationsansätze und können einschätzen, welche Werkzeuge sich für unterschiedliche Szenarien eignen. Zudem machen sie sich mit Entwicklungsumgebungen für Python vertraut und arbeiten mit verbreiteten Bibliotheken zur Datenverarbeitung und -transformation. Anhand einfacher Beispiele entwickeln sie ein Verständnis für den Aufbau und die Funktionsweise von Datenpipelines. Darüber hinaus erfahren sie, wie sie sich gezielt Wissen und Unterstützung für die Umsetzung eigener Data-Engineering-Aufgaben erschließen können. 

Dieser Kurs richtet sich an alle, die über grundlegende Programmierkenntnisse verfügen und den praktischen Einsatz von Python im Bereich Data Engineering kennenlernen möchten. 

Im Fokus des Kurses stehen: 

• Zentrale Aufgaben und Konzepte des Data Engineerings 
• Datenquellen, Datenformate und Datenintegration 
• Entwicklungsumgebungen für Python und Bibliotheken zur Datenverarbeitung 
• Praktische Umsetzung einfacher Datenpipelines mit Python 

Bild: © stokkete/adobe.stock.com