Základy práce s velkými daty (Data Science) - kurz 14 990 RUB. od Specialista, školení, Datum: 30. listopadu 2023.
Různé / / November 30, 2023
Vedoucí učitel Centra, vedoucí oboru „Inovativní výukové technologie“. Doktor technických věd obor „Systémová analýza v informačních systémech“. Držitel prestižních statusů PfMP(®),PgMP®,PMP®, ITIL® Expert, ITIL 4.0. Managing professional, Strategic Leader, DASA certifikovaný Product vlastník, akreditovaný trenér PMP® A ITIL®, certifikovaný instruktor online školení PMP®,ITIL 4.0 A DASA.
Vyučuje více než 15 let, je autorkou kurzů a seminářů v Centru, více než 80 vědeckých a 20 metodických prací. Zkušenosti v IT průmyslu - nad 25 let, z toho více než 15 let - v oblasti projektového řízení, projektových portfolií, produktů, startupů; má zkušenosti s poradenstvím v oblasti projektového řízení a organizačních změn (digitální transformace) v řadě velkých společností.
Realizoval více než 20 projektů v následujících odvětvích: IT (včetně webových řešení, řízení IT služeb), vzdělávání, hutnictví, pojišťovnictví, telekomunikace. Nejznámější klienti, se kterými Danil Yuryevich pracoval: Siemens Telecom CIS, Microsoft, Royal Canin, PepsiCo Rus, Accenture, Pharmstandard, Myasnitsky Ryad. Danil Yuryevich má obrovský
zkušenosti s budováním partnerství s velkými společnostmi, včetně Microsoft, Citrix atd.Od roku 2015 Danil Yurievich aktivně pracuje ve startupech jako partner (řada produktů pro lidi se sluchovým postižením; online vzdělávací certifikační systém) a jako mentor (IAMCP, G-Accelerator).
Danil Yuryevich je pravidelným účastníkem mezinárodních konferencí, včetně PMXPO 2019, PMI Talent and Technology Symposium, PMI® Organizational Agility Conference a dalších. Dva roky po sobě působil jako řečník na DevOps Pro Moscow 2019-2020. Neustále zlepšuje dovednosti na školeních prodejců (DASA, Peoplecert). Úspěšně ukončené školení a hodnocení (hodnocení), abyste se stali trenérem PMP podle nové verze.
S využitím svých obrovských zkušeností a úžasného učitelského nadání předkládá látku velkým množstvím příkladů. Dovedně vyvolává plodné diskuse ve skupinách a podrobně odpovídá na všechny otázky. Danil Yurievich vás seznámí nikoli s abstraktními metodami, ale s tím, jak na ně pracovat v praxi s přihlédnutím k legislativě a zvláštnostem podnikání.
Speciální učitel, držitel prestižního mezinárodního statutu Microsoft Certified Master. Absolvent Moskevské státní technické univerzity pojmenované po N.E. Bauman.
Ve svých třídách klade Fedor Anatoljevič princip do popředí "Podívej se na kořen!" - je důležité nejen studovat fungování mechanismu, ale také pochopit, proč to funguje tak a ne jinak.
Všeobecný odborník v oblasti návrhu a vývoje softwaru. Má dlouholeté zkušenosti jako vedoucí vývojového týmu a hlavní architekt. Specializuje se na integraci podnikových aplikací, vývoj architektury webových portálů, systémy analýzy dat, nasazení a podporu Infrastruktura Windows.
Kombinace technických a přírodovědných stylů prezentace umožňuje studentům zprostředkovat vášeň a kreativní přístup učitele. Fedor Anatolyevich vždy přijímá ty nejnadšenější recenze od svých vděčných absolventů.
Modul 1. Rozsah velkých dat. Typické úkoly. (1 ak. h.)
- Cíle kurzu
-Definice základních pojmů
-Historie datové vědy
-Výhody z práce s velkými daty
-Typické úkoly: prognóza prodeje, výroby, poptávky. Analýza chování. Rozpoznávání vzorů. Expertní systémy.
Modul 2 Sběr a příprava počátečních dat. Technika CRISP-DM (1 akademik. h.)
- Kde začít. Meziodvětvová standardní metodika pro práci s daty CRISP-DM
-Deskriptivní a asociativní studium zdrojových dat
-Segmentace a čištění dat (plátky a kostky). Příklady nástrojů Excelu
- Vizualizace dat v Excelu. Jak používat kontingenční tabulky a grafy
-Praktická práce. Segmentujte a vyčistěte sadu testovacích dat.
Modul 3. Základy matematické statistiky. ANOVA. Doplněk Excelu „Analytický balíček“ (2 ac. h.)
-Deskriptivní statistika
-Průměrný, nejpravděpodobnější, medián
-Rozptyl, směrodatná odchylka, směrodatná chyba
-Typy distribucí
- Balíček analýzy dat Excel
-Přehled dalších aplikačních nástrojů pro práci s daty (R, Python, Octave, MathLab, specializované databáze).
-Praktická práce. Určete statistické charakteristiky vzorku dat.
Modul 4. Úkol prognózy prodeje. Koncept strojového učení. Korelace. Regresní analýza (3 ac. h.)
-Vyjádření problému posuzování vztahu mezi různými faktory a vytváření prognózy
-Korelace. Pearsonův koeficient
- studentský test (T-analýza)
-Základy strojového učení
-Regresní analýza
- Fisherovo kritérium
-Vytváření a analýza trendů v Excelu
-Praktická práce. Určete přítomnost korelační a regresní závislosti mezi dvěma datovými vzorky. Vybudujte trend.
Modul 5. Problémy klasifikace a rozpoznávání obrázků, videa, řeči, textu. Pojem neuronové sítě. Příklady aplikací. (3 ac. h.)
-Úloha segmentovat diskrétní data na příkladu úloh rozpoznávání (grafika, řeč, text)
- Neuronové sítě jako nástroj pro řešení klasifikačních problémů
-Demonstrace na příkladech Azure, AWS
-Úkoly klasifikovat data v sociálních sítích a najít optimální řešení (trasu)
-Grafy jako nástroj pro řešení problémů na sociálních grafech a predikci chování
-Rozhodovací strom
-Rozdělení na vzorky (školení, testování, ověřování)
-Analýza chyb učení. Základ a odchylky. Ruční nastavení
-Praktická práce: klasifikace datové sady a její rozdělení do segmentů.
Modul 6. Výzva výzkumu sociálních sítí. Úkolem předvídat chování uživatelů. Sociální a orientované grafy. Rozhodovací stromy. Příklady použití (3 ac. h.)
-Úkol klasifikace dat v sociálních sítích
-Grafy jako nástroj pro řešení problémů na sociálních grafech a predikci chování
-Rozdělení na vzorky (školení, testování, ověřování)
-Analýza chyb učení. Základ a odchylky. Ruční nastavení
Modul 7. Pokročilé nástroje: hluboké strojové učení, umělá inteligence, fuzzy množiny (1 ac. h.)
-Koncept hlubokého strojového učení
-Multifaktorová obchodní analýza s použitím fuzzy logiky jako příkladu
Modul 8. Kariérní poradenství pro specializace v Data Science. Závěry a doporučení pro budování a organizaci týmové práce (2 ak. h.)
-Role specialistů DS: datový analytik, datový vědec, programátor, digitální ředitel
-Požadavky na kompetence a interakci zaměstnanců v oblasti datové analytiky
-Složení a požadavky na projektový tým pro DS
- příprava společnosti na používání „bigdata“
• Řekneme vám jednoduchými slovy o Data Science, neuronových sítích, umělé inteligenci a dalších populárních jevech • Pochopíte, jaké oblasti existují v oblasti práce s daty a práce s analytickými nástroji v praxi • Získejte průvodce krok za krokem a zjistěte, co potřebujete v oblasti dat začít Věda
4,6
Naučíte se řešit obchodní problémy pomocí dat. Nejprve se potřebně proškolte, zdokonalte se v matematice a statistikách a poté studujte SQL, Python, Power BI a za rok se stanete datovým analytikem.
4,2