Основи на работа с големи данни (Data Science) - курс 14 990 RUB. от Специалист, обучение, Дата: 30.11.2023г.
разни / / November 30, 2023
Водещ учител на Центъра, ръководител на направление „Иновативни технологии за обучение“. Доктор на техническите науки специалност „Системен анализ в информационните системи”. Носител на престижни статуси PfMP(®),PgMP®,PMP®, ITIL® Expert, ITIL 4.0. Управляващ професионалист, стратегически лидер, сертифициран DASA собственик на продукт, акредитиран треньор PMP® И ITIL®, сертифициран инструктор за онлайн обучение PMP®,ITIL 4.0 И DASA.
Тя преподава повече от 15 години, автор е на курсове и семинари в Центъра, повече от 80 научни и 20 методически труда. Опит в ИТ индустрията - над 25 години, от които повече от 15 години – в областта на управлението на проекти, проектни портфолиа, продукти, стартъпи; има опит в консултирането по управление на проекти и организационни промени (дигитална трансформация) в редица големи компании.
Реализирани повече от 20 проекта в следните индустрии: ИТ (включително уеб решения, управление на ИТ услуги), образование, металургия, застраховане, телекомуникации. Най-известните клиенти, с които работи Данил Юриевич: Siemens Telecom CIS, Microsoft, Royal Canin, PepsiCo Rus, Accenture, Pharmstandard, Myasnitsky Ryad. Данил Юриевич има огромен
опит в изграждането на партньорства с големи компании, включително Microsoft, Citrix и т.н.От 2015г Данил Юриевич активно работи в стартиращи компании като партньор (серия от продукти за хора с увреден слух; онлайн система за сертифициране на обучение) и като ментор (IAMCP, G-Accelerator).
Данил Юриевич е редовен участник в международни конференции, включително PMXPO 2019, PMI Talent and Technology Symposium, PMI® Organizational Agility Conference и други. Две поредни години той е говорител на DevOps Pro Moscow 2019-2020. Непрекъснато подобрява уменията си в обучения на доставчици (DASA, Peoplecert). Успешно завършено обучение и оценяване (оценяване) за придобиване на PMP trainer според новата версия.
Използвайки богатия си опит и чудесен учителски дар, той представя материала с голям брой примери. Умело провокира ползотворни дискусии в групи и отговаря подробно на всички въпроси. Данил Юриевич ще ви запознае не с абстрактните методи, а с това как те работа на практика съобразени със законодателството и особеностите на извършване на бизнес.
Специален учител, носител на престижен международен статут Microsoft Certified Master. Завършил Московския държавен технически университет на името на N.E. Бауман.
В своите класове Федор Анатолиевич поставя принципа на преден план „Погледни към корена!“ - важно е не само да се проучи работата на механизма, но и да се разбере защо работи по този начин, а не по друг начин.
Общ специалист в областта на дизайна и разработката на софтуер. Има дългогодишен опит като ръководител на развойна група и главен архитект. Специализира в интеграция на корпоративни приложения, разработка на архитектура на уеб портал, системи за анализ на данни, внедряване и поддръжка Windows инфраструктура.
Комбинацията от инженерни и природонаучни стилове на представяне позволява на учениците да предадат страстта и творческия подход на учителя. Федор Анатолиевич неизменно получава най-ентусиазираните отзиви от своите благодарни възпитаници.
Модул 1. Обхват на големи данни. Типични задачи. (1 ак. з.)
-Цели на курса
-Дефиниране на основни понятия
-История на науката за данните
-Ползи от работата с големи данни
-Типични задачи: прогнозиране на продажбите, производството, търсенето. Анализ на поведението. Разпознаване на шаблон. Експертни системи.
Модул 2. Събиране и подготовка на изходни данни. Техника CRISP-DM (1 академик. з.)
-Откъде да започна. Междуиндустриална стандартна методология за работа с CRISP-DM данни
-Описателно и асоциативно изследване на изходните данни
-Сегментиране и почистване на данни (slice and dice). Примери за инструменти на Excel
-Визуализация на данни в Excel. Как да използвате осеви таблици и диаграми
-Практическа работа. Сегментирайте и почистете набора от тестови данни.
Модул 3. Основи на математическата статистика. ANOVA. Excel добавка „Пакет за анализ“ (2 ac. з.)
-Описателна статистика
-Средно, най-вероятно, медиана
-Дисперсия, стандартно отклонение, стандартна грешка
-Видове разпределения
-Пакет за анализ на данни в Excel
-Преглед на други приложни инструменти за работа с данни (R, Python, Octave, MathLab, специализирани бази данни).
-Практическа работа. Определете статистическите характеристики на извадката от данни.
Модул 4. Задача за прогнозиране на продажбите. Концепция за машинно обучение. Корелация. Регресионен анализ (3 ак. з.)
- Постановка на проблема за оценка на връзката между различни фактори и изготвяне на прогноза
-Корелация. Коефициент на Пиърсън
-Тест на ученика (Т-анализ)
-Основи на машинното обучение
-Регресионен анализ
- Критерий на Фишер
-Изграждане и анализиране на тенденции в Excel
-Практическа работа. Определете наличието на корелационна и регресионна зависимост между две проби от данни. Изградете тенденция.
Модул 5. Проблеми на класификацията и разпознаването на изображения, видео, реч, текст. Концепцията за невронни мрежи. Примери за приложение. (3 ак. з.)
-Задачата за сегментиране на отделни данни, използвайки примера на задачи за разпознаване (графика, реч, текст)
-Невронните мрежи като инструмент за решаване на проблеми с класификацията
-Демонстрация с помощта на примери на Azure, AWS
-Задачи за класифициране на данни в социалните мрежи и намиране на оптималното решение (маршрут)
-Графиките като инструмент за решаване на проблеми върху социални графики и прогнозиране на поведението
- Дърво на решенията
-Разделение на проби (обучение, тестване, проверка)
-Анализ на грешките в обучението. Основа и отклонения. Ръчна настройка
-Практическа работа: класифицирайте набор от данни и го разделете на сегменти.
Модул 6. Предизвикателството на изследването на социалните мрежи. Задачата за прогнозиране на поведението на потребителите. Социални и насочени графи. Дървета на решенията. Примери за приложение (3 ак. з.)
-Задачата за класифициране на данни в социалните мрежи
-Графиките като инструмент за решаване на проблеми върху социални графики и прогнозиране на поведението
-Разделение на проби (обучение, тестване, проверка)
-Анализ на грешките в обучението. Основа и отклонения. Ръчна настройка
Модул 7. Усъвършенствани инструменти: дълбоко машинно обучение, изкуствен интелект, размити набори (1 ac. з.)
- Концепцията за дълбоко машинно обучение
-Многофакторен бизнес анализ, използващ размита логика като пример
Модул 8. Кариерно ориентиране за специалности в Data Science. Изводи и препоръки за изграждане и организиране на работа в екип (2 ак. з.)
-Роли на DS специалистите: анализатор на данни, учен по данни, програмист, дигитален директор
-Изисквания за компетенции и взаимодействие на служителите в областта на анализа на данни
-Състав и изисквания към проектния екип за ДС
-Подготовка на компанията за използване на “bigdata”
• Ще ви разкажем с прости думи за Data Science, невронните мрежи, изкуствения интелект и други популярни феномени • Ще разберете какви области съществуват в областта на работата с данни и работа с инструменти за анализ на практика • Вземете ръководство стъпка по стъпка и разберете какво трябва да започнете в областта на данните Наука
4,6
Ще се научите да решавате бизнес проблеми с помощта на данни. Първо вземете необходимото обучение, подобрете математиката и статистиката, а след това изучавайте SQL, Python, Power BI и след година ще станете анализатор на данни.
4,2