Podstawy pracy z big data (Data Science) - kurs 14 990 RUB. od Specjalisty, szkolenie, Data: 30.11.2023.

Pedagog wiodący Centrum, kierownik kierunku „Innowacyjne technologie nauczania”. Doktor nauk technicznych na kierunku „Analiza systemowa w systemach informatycznych”. Posiadacz prestiżowych statusów PfMP(®),PgMP®,PMP®, Ekspert ITIL®, ITIL 4.0. Profesjonalista zarządzający, Lider Strategiczny, Właściciel Produktu z certyfikatem DASA, akredytowany trener PMP® I ITIL®, certyfikowany instruktor szkoleń online PMP®,ITIL 4.0 I DASA.

Nauczyciel specjalny, posiadający prestiżowy status międzynarodowy Certyfikowany mistrz Microsoftu. Absolwent Moskiewskiego Państwowego Uniwersytetu Technicznego im. N.E. Baumana.

Moduł 1. Zakres dużych zbiorów danych. Typowe zadania. (1 ak. H.)

-Cele kursu
-Definicja podstawowych pojęć
-Historia nauki o danych
-Korzyści z pracy z dużymi zbiorami danych
-Typowe zadania: prognozowanie sprzedaży, produkcji, popytu. Analiza zachowania. Rozpoznawanie wzorców. Systemy eksperckie.

Moduł 2. Gromadzenie i przygotowanie danych wyjściowych. Technika CRISP-DM (1 akademicka. H.)

-Gdzie zacząć. Międzybranżowa standardowa metodologia pracy z danymi CRISP-DM
-Opisowe i asocjacyjne badanie danych źródłowych
-Segmentacja i czyszczenie danych (plasterek i kostka). Przykłady narzędzi Excela
-Wizualizacja danych w programie Excel. Jak korzystać z tabel przestawnych i wykresów
-Praktyczna praca. Segmentuj i wyczyść zestaw danych testowych.

Moduł 3. Podstawy statystyki matematycznej. ANOVA. Dodatek Excel „Pakiet analiz” (2 ac. H.)

-Opisowe statystyki
-Średnia, najbardziej prawdopodobna, mediana
-Wariancja, odchylenie standardowe, błąd standardowy
-Rodzaje dystrybucji
-Pakiet analizy danych Excel
-Omówienie innych narzędzi aplikacyjnych do pracy z danymi (R, Python, Octave, MathLab, specjalistyczne bazy danych).
-Praktyczna praca. Określ charakterystykę statystyczną próbki danych.

Moduł 4. Zadanie prognozy sprzedaży. Koncepcja uczenia maszynowego. Korelacja. Analiza regresji (3 ac. H.)

-Stwierdzenie problemu oceny zależności pomiędzy różnymi czynnikami i sporządzenia prognozy
-Korelacja. Współczynnik Pearsona
-Test Studenta (analiza T)
-Podstawy uczenia maszynowego
-Analiza regresji
-Kryterium Fishera
-Budowanie i analiza trendów w Excelu
-Praktyczna praca. Określ obecność korelacji i zależności regresji pomiędzy dwiema próbkami danych. Zbuduj trend.

Moduł 5. Zagadnienia klasyfikacji i rozpoznawania obrazów, wideo, mowy, tekstu. Pojęcie sieci neuronowych. Przykłady aplikacji. (3 ak. H.)

-Zadanie segmentacji danych dyskretnych na przykładzie zadań rozpoznawania (grafika, mowa, tekst)
-Sieci neuronowe jako narzędzie rozwiązywania problemów klasyfikacyjnych
-Demonstracja na przykładach Azure, AWS
-Zadania klasyfikacji danych w sieciach społecznościowych i znajdowania optymalnego rozwiązania (trasy)
-Wykresy jako narzędzie rozwiązywania problemów na wykresach społecznościowych i przewidywania zachowań
-Drzewo decyzyjne
-Podział na próbki (szkolenia, testowanie, weryfikacja)
-Analiza błędów w uczeniu się. Podstawa i odchylenia. Regulacja ręczna
-Zadanie praktyczne: sklasyfikować zbiór danych i podzielić go na segmenty.

Moduł 6. Wyzwanie badań sieci społecznościowych. Zadanie przewidywania zachowań użytkowników. Grafy społeczne i skierowane. Drzewa decyzyjne. Przykłady zastosowań (3 ac. H.)

-Zadanie klasyfikacji danych w sieciach społecznościowych
-Wykresy jako narzędzie rozwiązywania problemów na wykresach społecznościowych i przewidywania zachowań
-Podział na próbki (szkolenia, testowanie, weryfikacja)
-Analiza błędów w uczeniu się. Podstawa i odchylenia. Regulacja ręczna

Moduł 7. Zaawansowane narzędzia: głębokie uczenie maszynowe, sztuczna inteligencja, zbiory rozmyte (1 ac. H.)

-Koncepcja głębokiego uczenia maszynowego
-Wieloczynnikowa analiza biznesowa na przykładzie logiki rozmytej

Moduł 8. Poradnictwo zawodowe dla specjalizacji z zakresu Data Science. Wnioski i zalecenia dotyczące budowania i organizacji pracy zespołowej (2 ac. H.)

-Role specjalistów DS: analityk danych, analityk danych, programista, dyrektor cyfrowy
-Wymagania dotyczące kompetencji i interakcji pracowników w zakresie analityki danych
-Skład i wymagania dla zespołu projektowego DS
-Przygotowanie firmy do wykorzystania „bigdata”

Zawody analityka: co wybrać

• W prostych słowach opowiemy Ci o Data Science, sieciach neuronowych, sztucznej inteligencji i innych popularnych zjawiskach • Zrozumiesz jakie obszary istnieją w zakresie pracy z danymi, a w praktyce pracować z narzędziami analitycznymi • Skorzystaj z przewodnika krok po kroku i dowiedz się, od czego musisz zacząć w obszarze Danych Nauka

4,6

1 recenzja