Основы работы с большими данными (Data Science)

4.1

начало 29 апреля

Сложность

Продвинутый

Тип обучения

Курс

Формат обучения

С проверкой домашнего задания

Трудоустройство

Отсутствует

Сертификат

Да

Стоимость курса

14 990 ₽

нет рассрочки

Предлагаем Вам погрузиться в Data Science, чтобы познакомиться с Big Data! На нашем курсе Вы соприкоснетесь с самой популярной в IT концепцией.

Компании, которые игнорируют Big Data, отстают от конкурентов и теряют прибыль. Тем временем компании, работающие с большими данными, показывают высокие результаты в клиентском сервисе, операционной эффективности и риск-менеджменте.

Компаний, внедряющих Big Data, становится все больше. Растет спрос на специалистов, которые могут комплексно работать с большими массивами данных: анализировать, обрабатывать и визуализировать их.

налитик больших данных, решая бизнес-задачи, развивается одновременно в IT и бизнесе.

Наш курс «Основы работы с большими данными: Data Science Orientation» позволит Вам «подружиться» с Big Data (большими данными).

В курсе рассматриваются вопросы:

-Предлагаемый курс позволит управляющему персоналу, менеджерам, разработчикам, другим сотрудникам, вовлеченным в аналитическую деятельность своей компании, ознакомиться с современными инструментами сбора, подготовки, обработки и анализа больших объемов разнородных данных.
-По итогам курса Вы будете уверенно ориентироваться в мире «больших данных», машинного обучения и сможете организовывать команды для работы с «большими данными» и определите направление своего профессионального развития в этой области.
-Спешите записаться на наш курс «Основы работы с большими данными: Data Science Orientation», чтобы освоить Big Data и вывести свою компанию в лидеры!

Вы научитесь:

-определять источники сбора информации и формировать требования к ним;
-применять стандартный CRISP-DM процесс для Вашей организации;
-подбирать команду для работы с большими данными (Big Data);
-выбирать инструментарий для практической работы;
-применять специализированные инструменты Excel – «Пакет анализа данных» и «Тренды»;
-применять «дерево решений»;
-определять подходящие инструменты и методы для решения основных классов задач машинного обучения и взаимодействовать с разработчиками;
-использовать методы классификации данных для машинного обучения;
-подбирать выборки разработки, тестовую и обучающую для достижения наилучших результатов анализа информации;
-организовывать реорганизацию работы компании для применения управления на основе больших данных.

Вы будете знать:

-понимать концепцию больших данных (Big Data);
-знать типовые задачи, для решения которых применяется машинное обучение: анализ трендов, социальных сетей; распознавание графических, видео- и аудио-образов, текста; прогностика действий (на примере покупок);
-владеть базовыми математическими понятиями;
-понимать основные методы обработки и анализа данных: регрессия, нейронные сети; графы, К-значные логики;
-знать основные современные инструменты анализа данных;
-понимать принципы организации и структуру команд по работе с бигдата.

Что вы получите после обучения

Приобретаемые навыки

Источники сбора информации

Применение CRISP-DM

Методы классификации данных

Подбор выборки разработки

Основные методы обработки

Сертификат, ссылками на который можно делиться с другими людьми

Вас будут обучать

Динцис Данил Юрьевич

курс

Ведущий преподаватель Центра, руководитель направления «Инновационные технологии обучения». Доктор технических наук по специальности «Системный анализ в информационных системах». Обладатель престижных статусов PfMP(®), PgMP®, PMP®, ITIL® Expert, ITIL 4.0. Managing professional, Strategic Leader, DASA certified Product owner, аккредитованный тренер PMP® и ITIL®, сертифицированный инструктор онлайн-обучения PMP®, ITIL 4.0 и DASA.

Преподаёт более 15 лет, является автором курсов и семинаров Центра, более 80 научных и 20 методических трудов. Опыт работы в ИТ-отрасли – свыше 25 лет, из них более 15 лет – в области управления проектами, портфелями проектов, продуктов, стартапах; имеет опыт консалтинга по проектному управлению и организационным изменениям (цифровой трансформации) в ряде крупных компаний.

Реализовал более 20 проектов в следующих отраслях: ИТ (в том числе, веб-решения, ИТ-сервис-менеджмент), образование, металлургия, страхование, телекоммуникации. Наиболее известные клиенты, с которыми работал Данил Юрьевич: «Сименс Телеком СНГ», Майкрософт, Royal Canin, «Пепсико Рус», Accenture, «Фармстандарт», «Мясницкий ряд». Данил Юрьевич имеет огромный опыт выстраивания партнёрских связей с крупнейшими компаниями, включая Microsoft, Citrix и др.

С 2015 г. Данил Юрьевич активно работает в стартапах, как партнер (серия продуктов для людей с нарушениями слуха; система сертификации онлайн образования) и как ментор (IAMCP, G-Accelerator).

Данил Юрьевич - регулярный участник международных конференций, среди которых PMXPO 2019, PMI Talent and Technology Symposium, PMI® Organizational Agility Conferenceи другие. Два года подряд выступал спикером на DevOps Pro Moscow 2019-2020. Постоянно повышает квалификацию на тренингах вендоров (DASA, Peoplecert). Успешно прошел обучение и оценку (ассесмент) на тренера PMP по новой версии.

Используя свой огромный опыт и замечательный преподавательский дар, излагает материал с большим количеством примеров. Умело вызывает в группах плодотворные дискуссии, подробно отвечает на все вопросы. Данил Юрьевич познакомит Вас не с абстрактными методиками, а тем, как они работают на практике, с учётом законодательства и особенностей ведения бизнеса.

Самородов Федор Анатольевич

курсов

Преподаватель специального назначения, обладатель престижного международного статуса Microsoft Certified Master. Выпускник МГТУ имени Н.Э. Баумана.

На занятиях Фёдор Анатольевич во главу угла ставит принцип «Зри в корень!» - важно не только изучить работу механизма, но и понять, почему он работает именно так, а не иначе.

Специалист широкого профиля в области проектирования и разработки программного обеспечения. Обладает многолетним опытом работы в качестве руководителя команды разработчиков и главного архитектора. Специализируется на интеграции корпоративных приложений, разработке архитектуры веб-порталов, системах анализа данных, развертывании и поддержке Windows-инфраструктуры.

Сочетание инженерного и естественнонаучного стилей изложения позволяет передать слушателям увлечённость и творческий подход преподавателя. Федор Анатольевич неизменно получает самые восторженные отзывы от своих благодарных выпускников.

Образовательная организация

Специалист

4.1

655 отзывов

Ведущий компьютерный учебный центр России с высочайшим уровнем качества обучения, сервиса и организации учебного процесса
Лучший учебный центр авторизованный Microsoft в России, Центральной и Восточной Европе в 2011-2014 гг
Центр «Специалист» — первый в России авторизованный учебный центр по обучению Adobe — Adobe Authorised Training Centre
Крупнейший авторизованный учебный центр ведущих IT-компаний мира
С 2012 г. Центр «Специалист» входит в «Круг совершенства EC-Council»

Программа курса

Модуль 1. Область применения больших данных. Типовые задачи. (1 ак. ч.)

-Цели курса
-Определение основных понятий
-История науки о данных
-Выгоды от работы с большими данными
-Типовые задачи: прогноз продаж, производства, спроса. Анализ поведения. Распознавание образов. Экспертные системы.

Модуль 2. Сбор и подготовка исходных данных. Методика CRISP-DM (1 ак. ч.)

-С чего начать. Межотраслевая стандартная методика работы с данными CRISP-DM
-Описательное и ассоциативное исследование исходных данных
-Сегментирование и очистка данных (slice and dice). Примеры инструментов Excel
-Визуализация данных в Excel. Как использовать сводные таблицы и диаграммы
-Практическая работа. Сегментировать и очистить тестовый набор данных.

Модуль 3. Основы математической статистики. ANOVA. Надстройка Excel «Пакет анализа» (2 ак. ч.)

-Описательная статистика
-Среднее, наиболее вероятное, медиана
-Дисперсия, стандартное отклонение, стандартная ошибка
-Виды распределений
-Пакет анализа данных Excel
-Обзор других прикладных средств работы с данными (R, Python, Octave, MathLab, специализированные БД).
-Практическая работа. Определить статистические характеристики выборки данных.

Модуль 4. Задача прогноза продаж. Понятие машинного обучения. Корреляция. Регрессионный анализ (3 ак. ч.)

-Постановка задачи оценки взаимосвязи между различными факторами и построение прогноза
-Корреляция. Коэффициент Пирсона
-Критерий Стьюдента (T-анализ)
-Основы машинного обучения
-Регрессионный анализ
-Критерий Фишера
-Построение и анализ трендов в Excel
-Практическая работа. Определить наличие корреляции и регрессионную зависимость между двумя выборками данных. Построить тренд.

Модуль 5. Задачи классификации и распознавания образов, видео, речи, текста. Понятие нейронных сетей. Примеры применения. (3 ак. ч.)

-Задача сегментации дискретных данных на примере задач распознавания (графика, речь, текст)
-Нейронные сети как инструмент решения задач классификации
-Демонстрация на примерах Azure, AWS
-Задачи классификации данных в социальных сетях и поиска оптимального решения (маршрута)
-Графы как инструмент решения задач на социальных графах и прогнозирования поведения
-Дерево решений
-Разбиение на выборки (обучающую, тестовую, проверочную)
-Анализ ошибок обучения. Базис и отклонения. Ручная корректировка
-Практическая работа: провести классификацию набора данных и его разбиение на сегменты.

Модуль 6. Задача исследования социальных сетей. Задача прогнозирования поведения пользователя. Социальные и направленные графы. Деревья решений. Примеры применения (3 ак. ч.)

-Задача классификации данных в социальных сетях
-Графы как инструмент решения задач на социальных графах и прогнозирования поведения
-Разбиение на выборки (обучающую, тестовую, проверочную)
-Анализ ошибок обучения. Базис и отклонения. Ручная корректировка

Модуль 7. Продвинутые инструменты: глубокое машинное обучение, искусственный интеллект, нечеткие множества (1 ак. ч.)

-Понятие Deep Machine Learning
-Многофакторный бизнес анализ на примере нечетких логик

Модуль 8. Профориентация по специальностям в Data Science. Выводы и рекомендации по построению и организации работы команды (2 ак. ч.)

-Роли специалистов по DS: аналитик данных, ученый по данным, программист, цифровой директор
-Требования к компетенциям и взаимодействию сотрудников в области аналитики данных
-Состав и требования к проектной команде для DS
-Подготовка компании к применению «бигдата»