0
Views
Pamati darbam ar lielajiem datiem (Datu zinātne) - kurss RUB 14 990. no Speciālists, apmācība, Datums: 2023. gada 30. novembris.
Literārs Mistrojums / / November 30, 2023
Centra vadošā skolotāja, virziena “Inovatīvas mācību tehnoloģijas” vadītāja. Tehnisko zinātņu doktors specialitātē "Sistēmu analīze informācijas sistēmās". Prestižu statusu īpašnieks PfMP(®),PgMP®,PMP®, ITIL® Expert, ITIL 4.0. Vadošais profesionālis, stratēģiskais vadītājs, DASA sertificēts produkta īpašnieks, akreditēts treneris PMP® Un ITIL®, sertificēts tiešsaistes apmācību instruktors PMP®,ITIL 4.0 Un DASA.
Pasniedz vairāk nekā 15 gadus, ir Centrā kursu un semināru, vairāk nekā 80 zinātnisko un 20 metodisko darbu autore. Pieredze IT nozarē - vairāk nekā 25 gadus, no tiem vairāk nekā 15 gadus - projektu vadības, projektu portfeļu, produktu, startup jomā; ir pieredze konsultēšanā par projektu vadību un organizatoriskām izmaiņām (digitālā transformācija) vairākos lielos uzņēmumos.
Īstenojis vairāk nekā 20 projektus šādās nozarēs: IT (t.sk. web risinājumi, IT pakalpojumu vadība), izglītība, metalurģija, apdrošināšana, telekomunikācijas. Slavenākie klienti, ar kuriem Danils Jurjevičs strādāja: Siemens Telecom CIS, Microsoft, Royal Canin, PepsiCo Rus, Accenture, Pharmstandard, Myasnitsky Ryad. Danilam Jurjevičam ir milzīgs
pieredze partnerattiecību veidošanā ar lielākajiem uzņēmumiem, tostarp Microsoft, Citrix un utt.Kopš 2015. gada Danils Jurijevičs aktīvi strādā jaunuzņēmumos kā partneris (produktu sērija cilvēkiem ar dzirdes traucējumiem; tiešsaistes izglītības sertifikācijas sistēma) un kā mentors (IAMCP, G-Accelerator).
Danils Jurjevičs ir regulārs starptautisko konferenču dalībnieks, tostarp PMXPO 2019, PMI Talent and Technology Symposium, PMI® Organizational Agility Conference un citās. Divus gadus pēc kārtas viņš darbojās kā lektors DevOps Pro Moscow 2019-2020. Pastāvīgi pilnveido prasmes pārdevēju apmācībās (DASA, Peoplecert). Sekmīgi pabeigta apmācība un novērtēšana (novērtējums), lai kļūtu par PMP treneri saskaņā ar jauno versiju.
Izmantojot savu milzīgo pieredzi un brīnišķīgo mācību dāvanu, viņš sniedz materiālu ar lielu skaitu piemēru. Prasmīgi provocē auglīgas diskusijas grupās un detalizēti atbild uz visiem jautājumiem. Danils Jurijevičs jūs iepazīstinās nevis ar abstraktām metodēm, bet gan ar to, kā tās strādāt praksē ņemot vērā likumdošanu un uzņēmējdarbības veikšanas īpatnības.
Speciālā skolotāja, prestiža starptautiskā statusa īpašnieks Microsoft sertificēts meistars. Maskavas Valsts Tehniskās universitātes absolvents, kas nosaukts N.E. Baumanis.
Savās nodarbībās Fjodors Anatoljevičs priekšplānā izvirza principu "Paskaties uz sakni!" - svarīgi ir ne tikai izpētīt mehānisma darbību, bet arī saprast, kāpēc tas darbojas tā un ne citādi.
Ģenerālists programmatūras projektēšanas un izstrādes jomā. Viņam ir daudzu gadu pieredze izstrādes komandas vadītāja un galvenā arhitekta amatā. Specializējas uzņēmumu lietojumprogrammu integrācijā, tīmekļa portālu arhitektūras izstrādē, datu analīzes sistēmās, izvietošanā un atbalstā Windows infrastruktūra.
Inženierzinātņu un dabaszinātņu prezentācijas stilu kombinācija ļauj skolēniem paust skolotāja aizrautību un radošo pieeju. Fjodors Anatoljevičs vienmēr saņem aizrautīgākās atsauksmes no saviem pateicīgajiem absolventiem.
1. modulis. Lielo datu apjoms. Tipiski uzdevumi. (1 ac. h.)
-Kursa mērķi
-Pamatjēdzienu definīcija
-Datu zinātnes vēsture
- Ieguvumi no darba ar lielajiem datiem
-Tipiski uzdevumi: pārdošanas, ražošanas, pieprasījuma prognoze. Uzvedības analīze. Modeļa atpazīšana. Ekspertu sistēmas.
2. modulis. Sākotnējo datu vākšana un sagatavošana. CRISP-DM tehnika (1 akadēmiskais. h.)
- Kur sākt. Starpnozaru standarta metodoloģija darbam ar CRISP-DM datiem
-Avota datu aprakstoša un asociatīva izpēte
-Segmentēšana un datu tīrīšana (šķēles un kauliņi). Excel rīku piemēri
- Datu vizualizācija programmā Excel. Kā izmantot rakurstabulas un diagrammas
-Praktiskais darbs. Segmentējiet un notīriet testa datu kopu.
3. modulis. Matemātiskās statistikas pamati. ANOVA. Excel pievienojumprogramma “Analīzes pakotne” (2 ac. h.)
-Aprakstoša statistika
- Vidējais, visticamākais, mediāna
-Variance, standarta novirze, standarta kļūda
-Sadalījumu veidi
- Excel datu analīzes pakotne
-Pārskats par citiem lietojumprogrammu rīkiem darbam ar datiem (R, Python, Octave, MathLab, specializētās datu bāzes).
-Praktiskais darbs. Noteikt datu izlases statistiskos raksturlielumus.
4. modulis. Pārdošanas prognozēšanas uzdevums. Mašīnmācīšanās koncepcija. Korelācija. Regresijas analīze (3 ac. h.)
-Problēmas formulējums dažādu faktoru saistību novērtēšanai un prognozes veidošanai
-Korelācija. Pīrsona koeficients
-Studenta ieskaite (T-analīze)
-Mašīnmācības pamati
- Regresijas analīze
-Fišera kritērijs
- Tendenču veidošana un analīze programmā Excel
-Praktiskais darbs. Nosakiet korelācijas un regresijas atkarības esamību starp diviem datu paraugiem. Veidojiet tendenci.
5. modulis. Attēlu, video, runas, teksta klasifikācijas un atpazīšanas problēmas. Neironu tīklu jēdziens. Lietojumprogrammu piemēri. (3 ac. h.)
- Diskrētu datu segmentēšanas uzdevums, izmantojot atpazīšanas uzdevumu piemēru (grafika, runa, teksts)
-Neironu tīkli kā instruments klasifikācijas problēmu risināšanai
- Demonstrācija, izmantojot Azure, AWS piemērus
- Datu klasificēšanas uzdevumi sociālajos tīklos un optimālā risinājuma (maršruta) atrašana
-Grafi kā rīks sociālo grafiku problēmu risināšanai un uzvedības prognozēšanai
-Lēmumu koks
- Sadalīšana paraugos (apmācība, testēšana, pārbaude)
-Mācīšanās kļūdu analīze. Pamats un novirzes. Manuāla regulēšana
-Praktiskais darbs: klasificēt datu kopu un sadalīt to segmentos.
6. modulis. Sociālo tīklu izpētes izaicinājums. Uzdevums paredzēt lietotāja uzvedību. Sociālie un virzītie grafiki. Lēmumu koki. Pielietojuma piemēri (3 ac. h.)
-Uzdevums klasificēt datus sociālajos tīklos
-Grafi kā rīks sociālo grafiku problēmu risināšanai un uzvedības prognozēšanai
- Sadalīšana paraugos (apmācība, testēšana, pārbaude)
-Mācīšanās kļūdu analīze. Pamats un novirzes. Manuāla regulēšana
7. modulis. Uzlaboti rīki: dziļa mašīnmācība, mākslīgais intelekts, izplūdušie komplekti (1 ac. h.)
- Dziļās mašīnmācīšanās koncepcija
-Daudzfaktoru biznesa analīze, izmantojot izplūdušo loģiku kā piemēru
8. modulis. Karjeras ieteikumi datu zinātnes specialitātēm. Secinājumi un ieteikumi komandas darba veidošanai un organizēšanai (2 ak. h.)
-DS speciālistu lomas: datu analītiķis, datu zinātnieks, programmētājs, digitālais direktors
- Prasības darbinieku kompetencēm un mijiedarbībai datu analītikas jomā
-Sastāvs un prasības projekta komandai DS
- Uzņēmuma sagatavošana “bigdata” lietošanai
Analītiķu profesijas: ko izvēlēties
1 pārskats
• Vienkāršiem vārdiem pastāstīsim par datu zinātni, neironu tīkliem, mākslīgo intelektu un citām populārām parādībām • Jūs sapratīsiet, kādas jomas pastāv darbā ar datiem un praksē ar analītikas rīkiem • Saņemiet detalizētu rokasgrāmatu un uzziniet, kas jums nepieciešams, lai sāktu darbu datu jomā Zinātne
4,6
Datu analītiķis no nulles līdz Junioram
Jūs iemācīsities risināt biznesa problēmas, izmantojot datus. Vispirms iegūstiet nepieciešamo apmācību, uzlabojiet matemātiku un statistiku, pēc tam apgūstiet SQL, Python, Power BI, un pēc gada jūs kļūsiet par datu analītiķi.
4,2
Abonēt
YOU MIGHT ALSO LIKE