0
Прегледи
Основе рада са великим подацима (Дата Сциенце) - курс 14.990 РУБ. од Специјалиста, обука, Датум: 30.11.2023.
мисцеланеа / / November 30, 2023
Водећи наставник Центра, руководилац смера „Иновативне наставне технологије“. доктор техничких наука смер „Системска анализа у информационим системима”. Носилац престижних статуса ПфМП(®),ПгМП®,ПМП®, ИТИЛ® Екперт, ИТИЛ 4.0. Менаџер професионалац, стратешки лидер, ДАСА сертификовани власник производа, акредитовани тренер ПМП® И ИТИЛ®, сертификовани инструктор онлајн обуке ПМП®,ИТИЛ 4.0 И ДАСА.
Предаје више од 15 година, ауторка је курсева и семинара у Центру, више од 80 научних и 20 методичких радова. Искуство у ИТ индустрији - преко 25 година, од тога више од 15 година - у области управљања пројектима, портфолија пројеката, производа, стартапова; има искуство у консалтингу о управљању пројектима и организационим променама (дигитална трансформација) у низу великих компанија.
Реализовано више од 20 пројеката у следећим делатностима: ИТ (укључујући веб решења, управљање ИТ услугама), образовање, металургија, осигурање, телекомуникације. Најпознатији клијенти са којима је Данил Јурјевич радио: Сиеменс Телецом ЦИС, Мицрософт, Роиал Цанин, ПепсиЦо Рус, Аццентуре, Пхармстандард, Миаснитски Риад. Данил Јурјевич има огроман
искуство у изградњи партнерства са великим компанијама, укључујући Мицрософт, Цитрик и сл.Од 2015 Данил Јуријевич активно ради у стартапима као партнер (серија производа за особе са оштећењем слуха; систем сертификације онлајн образовања) и као ментор (ИАМЦП, Г-акцелератор).
Данил Јурјевич је редован учесник међународних конференција, укључујући ПМКСПО 2019, ПМИ Талент анд Тецхнологи Симпосиум, ПМИ® Организатионал Агилити Цонференце и друге. Две године за редом наступао је као говорник на ДевОпс Про Москва 2019-2020. Константно унапређује вештине на обукама за добављаче (ДАСА, Пеоплецерт). Успешно завршена обука и процена (оцењивање) да постанете ПМП тренер по новој верзији.
Користећи своје огромно искуство и диван учитељски дар, градиво презентује великим бројем примера. Вешто изазива плодне дискусије у групама и детаљно одговара на сва питања. Данил Јуријевич ће вас упознати не са апстрактним методама, већ са начином на који они рад у пракси водећи рачуна о законодавству и посебностима пословања.
Наставник специјалне намене, носилац престижног међународног статуса Мицрософт Цертифиед Мастер. Дипломирао на Московском државном техничком универзитету по имену Н.Е. Бауман.
У својим часовима, Федор Анатољевич ставља принцип у први план "Погледај у корен!" - важно је не само проучити рад механизма, већ и разумети зашто он функционише на овај начин, а не другачије.
Генералиста у области дизајна и развоја софтвера. Има дугогодишње искуство као вођа развојног тима и главни архитекта. Специјализован је за интеграцију пословних апликација, развој архитектуре веб портала, системе за анализу података, примену и подршку Виндовс инфраструктура.
Комбинација инжењерских и природних стилова презентације омогућава студентима да пренесу страст и креативан приступ наставника. Федор Анатољевич увек добија најекстремније критике од својих захвалних дипломаца.
Модул 1. Обим великих података. Типични задаци. (1 ак. х.)
-Циљеви курса
-Дефинисање основних појмова
-Историја науке о подацима
-Предности рада са великим подацима
-Типични задаци: прогноза продаје, производње, потражње. Анализа понашања. Препознавање узорака. Експертни системи.
Модул 2. Прикупљање и припрема почетних података. ЦРИСП-ДМ техника (1 академ. х.)
-Одакле да почнем. Међуиндустријска стандардна методологија за рад са ЦРИСП-ДМ подацима
-Дескриптивно и асоцијативно проучавање изворних података
-Сегментација и чишћење података (слице и коцкице). Примери Екцел алата
-Визуелизација података у Екцел-у. Како користити заокретне табеле и графиконе
-Практичан рад. Сегментирајте и очистите скуп података за тестирање.
Модул 3. Основи математичке статистике. АНОВА. Екцел додатак „Пакет за анализу“ (2 ац. х.)
-Дескриптивна статистика
-Просечан, највероватније, медијан
-Варијанца, стандардна девијација, стандардна грешка
-Врсте дистрибуција
-Екцел пакет за анализу података
-Преглед осталих апликативних алата за рад са подацима (Р, Питхон, Оцтаве, МатхЛаб, специјализоване базе података).
-Практичан рад. Одредити статистичке карактеристике узорка података.
Модул 4. Задатак предвиђања продаје. Концепт машинског учења. Корелација. Регресиона анализа (3 ак. х.)
-Изјава о проблему процене односа између различитих фактора и израде прогнозе
-Корелација. Пирсонов коефицијент
-Ученички тест (Т-анализа)
-Основе машинског учења
-Регресиона анализа
-Фишеров критеријум
-Изградња и анализа трендова у Екцел-у
-Практичан рад. Одредите присуство корелационе и регресивне зависности између два узорка података. Изградите тренд.
Модул 5. Проблеми класификације и препознавања слика, видеа, говора, текста. Концепт неуронских мрежа. Примери примене. (3 ак. х.)
-Задатак сегментирања дискретних података на примеру задатака препознавања (графика, говор, текст)
-Неуронске мреже као алат за решавање класификационих проблема
-Демонстрација на примерима Азуре, АВС
-Задаци разврставања података на друштвеним мрежама и проналажење оптималног решења (руте)
-Графови као алат за решавање проблема на друштвеним графовима и предвиђање понашања
-Стабло одлука
- Подела на узорке (обука, тестирање, верификација)
-Анализа грешака у учењу. Основа и одступања. Ручно подешавање
-Практични рад: класификовати скуп података и поделити га на сегменте.
Модул 6. Изазов истраживања друштвених мрежа. Задатак предвиђања понашања корисника. Друштвени и усмерени графови. Дрвеће одлучивања. Примери примене (3 ак. х.)
-Задатак класификације података у друштвеним мрежама
-Графови као алат за решавање проблема на друштвеним графовима и предвиђање понашања
- Подела на узорке (обука, тестирање, верификација)
-Анализа грешака у учењу. Основа и одступања. Ручно подешавање
Модул 7. Напредни алати: дубоко машинско учење, вештачка интелигенција, расплинути скупови (1 ац. х.)
-Концепт дубоког машинског учења
-Мултифакторска пословна анализа користећи фуззи логику као пример
Модул 8. Каријерно вођење за специјалности из науке о подацима. Закључци и препоруке за изградњу и организовање тимског рада (2 ак. х.)
-Улоге ДС специјалиста: аналитичар података, научник података, програмер, дигитални директор
-Захтеви за компетенције и интеракцију запослених у области аналитике података
-Састав и захтеви за пројектни тим за ДС
-Припрема компаније за коришћење "бигдата"
Професије аналитике: шта изабрати
1 преглед
• Рећи ћемо вам једноставним речима о науци о подацима, неуронским мрежама, вештачкој интелигенцији и другим популарним феноменима • Разумећете које области постоје у области рада са подацима и рада са аналитичким алатима у пракси • Набавите водич корак по корак и сазнајте шта је потребно да почнете у области података Наука
4,6
Аналитичар података од нуле до јуниора
Научићете да решавате пословне проблеме користећи податке. Прво прођите неопходну обуку, побољшајте математику и статистику, а затим проучите СКЛ, Питхон, Повер БИ и за годину дана постаћете аналитичар података.
4,2
ПРЕТПЛАТИТИ СЕ
YOU MIGHT ALSO LIKE
