Big datan kanssa työskentelyn perusteet (Data Science) - kurssi 14 990 RUB. alkaen Specialist, koulutus, Päivämäärä: 30.11.2023.
Miscellanea / / November 30, 2023
Keskuksen johtava opettaja, "Innovatiiviset opetusteknologiat" -suunnan johtaja. Teknisten tieteiden tohtori pääaineenaan "Järjestelmäanalyysi tietojärjestelmissä". Arvostetun aseman haltija PfMP(®),PgMP®,PMP®, ITIL® Expert, ITIL 4.0. Johtava ammattilainen, strateginen johtaja, DASA-sertifioitu tuotteen omistaja, akkreditoitu kouluttaja PMP® Ja ITIL®, sertifioitu verkkokoulutuksen ohjaaja PMP®,ITIL 4.0 Ja DASA.
Hän on opettanut yli 15 vuotta, on kirjoittanut keskuksen kursseja ja seminaareja, yli 80 tieteellistä ja 20 metodologista työtä. Kokemusta IT-alalta - yli 25 vuotta, joista yli 15 vuotta - projektinhallinnan, projektisalkkujen, tuotteiden, startup-yritysten alalla; hänellä on kokemusta projektinhallinnan ja organisaatiomuutosten (digitaalisen muutoksen) konsultoinnista useissa suurissa yrityksissä.
Toteuttanut yli 20 projektia seuraavilla toimialoilla: IT (mukaan lukien verkkoratkaisut, IT-palveluiden hallinta), koulutus, metallurgia, vakuutus, tietoliikenne. Tunnetuimmat asiakkaat, joiden kanssa Danil Yuryevich työskenteli: Siemens Telecom CIS, Microsoft, Royal Canin, PepsiCo Rus, Accenture, Pharmstandard, Myasnitsky Ryad. Danil Jurjevitšillä on valtava
kokemusta kumppanuuksien rakentamisesta suurten yritysten kanssa, mukaan lukien Microsoft, Citrix jne.Vuodesta 2015 lähtien Danil Jurievich työskentelee aktiivisesti startup-yrityksissä kumppanina (sarja tuotteita kuulovammaisille; verkkokoulutuksen sertifiointijärjestelmä) ja mentorina (IAMCP, G-Accelerator).
Danil Yuryevich osallistuu säännöllisesti kansainvälisiin konferensseihin, mukaan lukien PMXPO 2019, PMI Talent and Technology Symposium, PMI® Organizational Agility Conference ja muut. Kaksi vuotta peräkkäin hän toimi puhujana DevOps Pro Moscowissa 2019-2020. Parantaa jatkuvasti taitojaan myyjäkoulutuksissa (DASA, Peoplecert). Onnistuneesti suoritettu koulutus ja arviointi (arviointi) uuden version mukaiseksi PMP-kouluttajaksi.
Hän käyttää laajaa kokemustaan ja upeaa opetuslahjaansa ja esittelee materiaalia lukuisina esimerkkein. Aiheuttaa taitavasti hedelmällisiä keskusteluja ryhmissä ja vastaa kaikkiin kysymyksiin yksityiskohtaisesti. Danil Jurievich esittelee sinulle ei abstrakteja menetelmiä, vaan miten ne toimi käytännössä ottaen huomioon lainsäädännön ja liiketoiminnan erityispiirteet.
Erikoisopettaja, arvostetun kansainvälisen aseman haltija Microsoft Certified Master. Valmistunut Moskovan valtion teknillisestä yliopistosta nimeltä N.E. Bauman.
Fjodor Anatoljevitš asettaa luokissaan periaatteen etusijalle "Katso juureen!" - On tärkeää paitsi tutkia mekanismin toimintaa, myös ymmärtää, miksi se toimii tällä tavalla eikä toisin.
Yleisasiantuntija ohjelmistosuunnittelun ja -kehityksen alalla. Hänellä on monen vuoden kokemus kehitystiimin vetäjänä ja pääarkkitehtina. Erikoistunut yrityssovellusten integrointiin, verkkoportaaliarkkitehtuurien kehittämiseen, data-analyysijärjestelmiin, käyttöönottoon ja tukeen Windows-infrastruktuuri.
Tekniikan ja luonnontieteen esitystyylien yhdistelmä antaa opiskelijoille mahdollisuuden välittää opettajan intohimoa ja luovaa lähestymistapaa. Fedor Anatolyevich saa aina innokkaimmat arvostelut kiitollisilta valmistuneilta.
Moduuli 1. Big datan laajuus. Tyypillisiä tehtäviä. (1 ak. h.)
-Kurssin tavoitteet
- Peruskäsitteiden määrittely
- Tietotekniikan historia
-Hyötyä ison datan parissa työskentelemisestä
- Tyypilliset tehtävät: myynnin, tuotannon, kysynnän ennuste. Käyttäytymisanalyysi. Hahmontunnistus. Asiantuntijajärjestelmät.
Moduuli 2. Lähtötietojen kerääminen ja valmistelu. CRISP-DM-tekniikka (1 akateeminen. h.)
- Mistä aloittaa. Toimialojen välinen standardimenetelmä CRISP-DM-tietojen käsittelyyn
- Lähdetietojen kuvaava ja assosiatiivinen tutkimus
-Segmentointi ja tietojen puhdistus (viipale ja kuutio). Esimerkkejä Excel-työkaluista
-Tietojen visualisointi Excelissä. Pivot-taulukoiden ja -kaavioiden käyttäminen
-Käytännön työ. Segmentoi ja puhdista testitietojoukko.
Moduuli 3. Matemaattisen tilaston perusteet. ANOVA. Excel-apuohjelma "Analyysipaketti" (2 ak. h.)
-Kuvailevia tilastoja
-Keskimääräinen, todennäköisin, mediaani
-Varianssi, keskihajonta, keskivirhe
- Jakelutyypit
-Excel-tietojen analysointipaketti
-Yleiskatsaus muihin sovellustyökaluihin tietojen kanssa työskentelemiseen (R, Python, Octave, MathLab, erikoistuneet tietokannat).
-Käytännön työ. Määritä tietonäytteen tilastolliset ominaisuudet.
Moduuli 4. Myyntiennustetehtävä. Koneoppimiskonsepti. Korrelaatio. Regressioanalyysi (3 ak. h.)
-Osautus eri tekijöiden välisen suhteen arvioinnin ja ennusteen tekemisen ongelmasta
- Korrelaatio. Pearsonin kerroin
-Opiskelijakoe (T-analyysi)
- Koneoppimisen perusteet
-Taantumisanalyysi
- Fisherin kriteeri
- Trendien rakentaminen ja analysointi Excelissä
-Käytännön työ. Määritä kahden datanäytteen välinen korrelaatio ja regressioriippuvuus. Rakenna trendi.
Moduuli 5. Kuvien, videon, puheen, tekstin luokittelun ja tunnistamisen ongelmat. Neuroverkkojen käsite. Sovellusesimerkkejä. (3 ak. h.)
- Tehtävä segmentoida diskreetti data tunnistustehtävien esimerkin avulla (grafiikka, puhe, teksti)
-Neuroverkot luokitteluongelmien ratkaisemisen työkaluna
-Esittely Azure-, AWS-esimerkeillä
- Tehtävät tietojen luokittelemiseksi sosiaalisissa verkostoissa ja optimaalisen ratkaisun (reitin) löytämisessä
-Kaaviot työkaluna sosiaalisten kaavioiden ongelmien ratkaisemiseen ja käyttäytymisen ennustamiseen
-Päätöspuu
- Jakaminen näytteiksi (koulutus, testaus, todentaminen)
-Oppimisvirheiden analyysi. Perusteet ja poikkeamat. Manuaalinen säätö
-Käytännön työ: luokittele tietojoukko ja jaa se segmentteihin.
Moduuli 6. Sosiaalisen verkoston tutkimuksen haaste. Tehtävä ennustaa käyttäjän käyttäytymistä. Sosiaaliset ja suunnatut kaaviot. Päätöspuut. Esimerkkejä sovelluksista (3 ac. h.)
- Tehtävä luokitella tietoja sosiaalisissa verkostoissa
-Kaaviot työkaluna sosiaalisten kaavioiden ongelmien ratkaisemiseen ja käyttäytymisen ennustamiseen
- Jakaminen näytteiksi (koulutus, testaus, todentaminen)
-Oppimisvirheiden analyysi. Perusteet ja poikkeamat. Manuaalinen säätö
Moduuli 7. Edistyneet työkalut: syvä koneoppiminen, tekoäly, sumeat sarjat (1 ak. h.)
- Deep Machine Learningin käsite
-Multifactor-liiketoiminnan analyysi käyttäen sumeaa logiikkaa esimerkkinä
Moduuli 8. Tietotieteen erikoisalojen uraohjaus. Johtopäätökset ja suositukset tiimityön rakentamiseen ja organisointiin (2 ak. h.)
- DS-asiantuntijoiden roolit: dataanalyytikko, datatieteilijä, ohjelmoija, digitaalijohtaja
- Vaatimukset työntekijöiden osaamiselle ja vuorovaikutukselle data-analytiikan alalla
- DS: n projektitiimin kokoonpano ja vaatimukset
- Yrityksen valmistaminen "bigdatan" käyttöön
• Kerromme sinulle yksinkertaisin sanoin datatieteestä, hermoverkoista, tekoälystä ja muista suosituista ilmiöistä • Ymmärrät mitä alueita on olemassa tietojen kanssa työskentelyn alalla ja analytiikkatyökalujen kanssa työskentely käytännössä • Hanki vaiheittainen opas ja selvitä, mitä sinun tulee aloittaa Data-alalla Tiede
4,6
Opit ratkaisemaan liiketoiminnan ongelmia datan avulla. Hanki ensin tarvittava koulutus, paranna matematiikkaasi ja tilastojasi ja opiskele sitten SQL: ää, Pythonia, Power BI: tä ja vuoden päästä sinusta tulee data-analyytikko.
4,2