Βασικές αρχές εργασίας με μεγάλα δεδομένα (Επιστήμη δεδομένων) - μάθημα 14.990 RUB. από Ειδικός, εκπαίδευση, Ημερομηνία: 30 Νοεμβρίου 2023.
μικροαντικείμενα / / November 30, 2023
Κορυφαίος δάσκαλος του Κέντρου, επικεφαλής της κατεύθυνσης «Καινοτόμες τεχνολογίες διδασκαλίας». Διδάκτωρ Τεχνικών Επιστημών με κατεύθυνση «Ανάλυση συστημάτων στα πληροφοριακά συστήματα». Κάτοχος ιδιοτήτων κύρους PfMP(®),PgMP®,PMP®, ITIL® Expert, ITIL 4.0. Διευθύνων επαγγελματίας, Στρατηγικός Ηγέτης, κάτοχος προϊόντος με πιστοποίηση DASA, διαπιστευμένος εκπαιδευτής PMP® Και ITIL®, πιστοποιημένος εκπαιδευτής διαδικτυακής εκπαίδευσης PMP®,ITIL 4.0 Και DASA.
Διδάσκει για περισσότερα από 15 χρόνια, είναι συγγραφέας μαθημάτων και σεμιναρίων στο Κέντρο, περισσότερων από 80 επιστημονικών και 20 μεθοδολογικών εργασιών. Εμπειρία στον κλάδο της πληροφορικής - πάνω από 25 χρόνια, εκ των οποίων περισσότερα από 15 χρόνια - στον τομέα της διαχείρισης έργων, χαρτοφυλακίων έργων, προϊόντων, νεοφυών επιχειρήσεων. έχει εμπειρία σε συμβουλευτικές υπηρεσίες για διαχείριση έργων και οργανωτικές αλλαγές (ψηφιακός μετασχηματισμός) σε μια σειρά από μεγάλες εταιρείες.
Υλοποίησε περισσότερα από 20 έργα στους ακόλουθους κλάδους: Πληροφορική (συμπεριλαμβανομένων λύσεων web, διαχείριση υπηρεσιών πληροφορικής), εκπαίδευση, μεταλλουργία, ασφάλειες, τηλεπικοινωνίες. Οι πιο διάσημοι πελάτες με τους οποίους συνεργάστηκε ο Danil Yuryevich: Siemens Telecom CIS, Microsoft, Royal Canin, PepsiCo Rus, Accenture, Pharmstandard, Myasnitsky Ryad. Ο Danil Yuryevich έχει ένα τεράστιο
εμπειρία στη δημιουργία συνεργασιών με μεγάλες εταιρείες, συμπεριλαμβανομένων Microsoft, Citrix και τα λοιπά.Από το 2015 Ο Danil Yurievich εργάζεται ενεργά σε startups ως συνεργάτης (μια σειρά προϊόντων για άτομα με προβλήματα ακοής. διαδικτυακό σύστημα πιστοποίησης εκπαίδευσης) και ως μέντορας (IAMCP, G-Accelerator).
Ο Danil Yuryevich συμμετέχει τακτικά σε διεθνή συνέδρια, όπως το PMXPO 2019, το PMI Talent and Technology Symposium, το PMI® Organizational Agility Conference και άλλα. Για δύο συνεχόμενα χρόνια ενήργησε ως ομιλητής στο DevOps Pro Moscow 2019-2020. Βελτιώνει συνεχώς τις δεξιότητές του σε εκπαιδεύσεις προμηθευτών (DASA, Peoplecert). Ολοκληρώθηκε με επιτυχία εκπαίδευση και αξιολόγηση (αξιολόγηση) για να γίνεις εκπαιδευτής PMP σύμφωνα με τη νέα έκδοση.
Χρησιμοποιώντας την τεράστια εμπειρία του και το υπέροχο διδακτικό του χάρισμα, παρουσιάζει το υλικό με μεγάλο αριθμό παραδειγμάτων. Προκαλεί επιδέξια γόνιμες συζητήσεις σε ομάδες και απαντά λεπτομερώς σε όλες τις ερωτήσεις. Ο Danil Yurievich θα σας μυήσει όχι στις αφηρημένες μεθόδους, αλλά στο πώς αυτές εργαστεί στην πράξη λαμβάνοντας υπόψη τη νομοθεσία και τις ιδιαιτερότητες της επιχειρηματικής δραστηριότητας.
Δάσκαλος ειδικού σκοπού, κάτοχος διεθνούς κύρους Microsoft Certified Master. Απόφοιτος του Κρατικού Τεχνικού Πανεπιστημίου της Μόσχας με το όνομα N.E. Μπάουμαν.
Στις τάξεις του, ο Fedor Anatolyevich βάζει την αρχή στην πρώτη γραμμή «Κοίτα στη ρίζα!» - είναι σημαντικό όχι μόνο να μελετήσουμε τη λειτουργία του μηχανισμού, αλλά και να κατανοήσουμε γιατί λειτουργεί με αυτόν τον τρόπο και όχι διαφορετικά.
Γενικός στο χώρο του σχεδιασμού και ανάπτυξης λογισμικού. Έχει πολυετή εμπειρία ως επικεφαλής ομάδας ανάπτυξης και επικεφαλής αρχιτέκτονας. Ειδικεύεται στην ενοποίηση εταιρικών εφαρμογών, στην ανάπτυξη αρχιτεκτονικής πύλης ιστού, στα συστήματα ανάλυσης δεδομένων, στην ανάπτυξη και υποστήριξη Υποδομή Windows.
Ο συνδυασμός στυλ παρουσίασης μηχανικής και φυσικής επιστήμης επιτρέπει στους μαθητές να μεταδώσουν το πάθος και τη δημιουργική προσέγγιση του δασκάλου. Ο Fedor Anatolyevich λαμβάνει πάντα τις πιο ενθουσιώδεις κριτικές από τους ευγνώμονες αποφοίτους του.
Ενότητα 1. Πεδίο εφαρμογής μεγάλων δεδομένων. Τυπικές εργασίες. (1 ακ. η.)
-Στόχοι του μαθήματος
-Ορισμός βασικών εννοιών
-Ιστορία της Επιστήμης Δεδομένων
-Οφέλη από την εργασία με μεγάλα δεδομένα
-Τυπικές εργασίες: πρόβλεψη πωλήσεων, παραγωγή, ζήτηση. Ανάλυση συμπεριφοράς. Αναγνώριση μοτίβου. Εξειδικευμένα συστήματα.
Ενότητα 2. Συλλογή και προετοιμασία αρχικών δεδομένων. Τεχνική CRISP-DM (1 ακαδημ. η.)
- Από πού να αρχίσω. Πρότυπη μεθοδολογία μεταξύ κλάδου για εργασία με δεδομένα CRISP-DM
-Περιγραφική και συνειρμική μελέτη δεδομένων πηγής
-Τμηματοποίηση και καθαρισμός δεδομένων (slice and dice). Παραδείγματα εργαλείων του Excel
-Οπτικοποίηση δεδομένων στο Excel. Πώς να χρησιμοποιήσετε συγκεντρωτικούς πίνακες και γραφήματα
-Πρακτική δουλειά. Τμηματοποιήστε και καθαρίστε το σύνολο δεδομένων δοκιμής.
Ενότητα 3. Βασικές αρχές της μαθηματικής στατιστικής. ANOVA. Πρόσθετο Excel "Πακέτο ανάλυσης" (2 ac. η.)
-Περιγραφικά στατιστικά
-Μέση, πιθανότατη, διάμεσος
-Διακύμανση, τυπική απόκλιση, τυπικό σφάλμα
-Τύποι διανομών
-Πακέτο ανάλυσης δεδομένων Excel
-Επισκόπηση άλλων εργαλείων εφαρμογής για εργασία με δεδομένα (R, Python, Octave, MathLab, εξειδικευμένες βάσεις δεδομένων).
-Πρακτική δουλειά. Προσδιορίστε τα στατιστικά χαρακτηριστικά του δείγματος δεδομένων.
Ενότητα 4. Εργασία πρόβλεψης πωλήσεων. Έννοια μηχανικής μάθησης. Συσχέτιση. Ανάλυση παλινδρόμησης (3 ac. η.)
-Δήλωση του προβλήματος αξιολόγησης της σχέσης μεταξύ διαφόρων παραγόντων και πρόβλεψης
-Συσχέτιση. Συντελεστής Pearson
-Τεστ του μαθητή (Τ-ανάλυση)
-Βασικές αρχές Μηχανικής Μάθησης
-Ανάλυση παλινδρόμησης
-Κριτήριο Fisher
-Δημιουργία και ανάλυση τάσεων στο Excel
-Πρακτική δουλειά. Προσδιορίστε την παρουσία συσχέτισης και εξάρτησης παλινδρόμησης μεταξύ δύο δειγμάτων δεδομένων. Δημιουργήστε μια τάση.
Ενότητα 5. Προβλήματα ταξινόμησης και αναγνώρισης εικόνων, βίντεο, λόγου, κειμένου. Η έννοια των νευρωνικών δικτύων. Παραδείγματα εφαρμογών. (3 ακ. η.)
-Η εργασία τμηματοποίησης διακριτών δεδομένων χρησιμοποιώντας το παράδειγμα εργασιών αναγνώρισης (γραφικά, ομιλία, κείμενο)
-Τα νευρωνικά δίκτυα ως εργαλείο επίλυσης προβλημάτων ταξινόμησης
-Επίδειξη χρησιμοποιώντας παραδείγματα Azure, AWS
-Εργασίες ταξινόμησης δεδομένων στα κοινωνικά δίκτυα και εύρεσης της βέλτιστης λύσης (διαδρομή)
-Τα γραφήματα ως εργαλείο επίλυσης προβλημάτων σε κοινωνικά γραφήματα και πρόβλεψης συμπεριφοράς
-Δέντρο απόφασης
- Διαχωρισμός σε δείγματα (εκπαίδευση, δοκιμή, επαλήθευση)
-Ανάλυση μαθησιακών λαθών. Βάση και αποκλίσεις. Χειροκίνητη ρύθμιση
-Πρακτική εργασία: ταξινομήστε ένα σύνολο δεδομένων και χωρίστε το σε τμήματα.
Ενότητα 6. Η πρόκληση της έρευνας στα κοινωνικά δίκτυα. Το έργο της πρόβλεψης της συμπεριφοράς των χρηστών. Κοινωνικά και κατευθυνόμενα γραφήματα. Δέντρα απόφασης. Παραδείγματα εφαρμογής (3 ac. η.)
-Το έργο της ταξινόμησης δεδομένων στα κοινωνικά δίκτυα
-Τα γραφήματα ως εργαλείο επίλυσης προβλημάτων σε κοινωνικά γραφήματα και πρόβλεψης συμπεριφοράς
- Διαχωρισμός σε δείγματα (εκπαίδευση, δοκιμή, επαλήθευση)
-Ανάλυση μαθησιακών λαθών. Βάση και αποκλίσεις. Χειροκίνητη ρύθμιση
Ενότητα 7. Προηγμένα εργαλεία: βαθιά μηχανική μάθηση, τεχνητή νοημοσύνη, ασαφή σύνολα (1 ac. η.)
-Η έννοια της Deep Machine Learning
-Πολυπαραγοντική επιχειρησιακή ανάλυση χρησιμοποιώντας τη ασαφή λογική ως παράδειγμα
Ενότητα 8. Επαγγελματικός προσανατολισμός για ειδικότητες στην Επιστήμη των Δεδομένων. Συμπεράσματα και συστάσεις για την οικοδόμηση και οργάνωση της ομαδικής εργασίας (2 ac. η.)
-Ρόλοι ειδικών DS: αναλυτής δεδομένων, επιστήμονας δεδομένων, προγραμματιστής, ψηφιακός διευθυντής
-Απαιτήσεις για ικανότητες και αλληλεπίδραση εργαζομένων στον τομέα της ανάλυσης δεδομένων
-Σύνθεση και απαιτήσεις για την ομάδα έργου για DS
-Προετοιμασία της εταιρείας για τη χρήση των "bigdata"
• Θα σας πούμε με απλά λόγια για την Επιστήμη των Δεδομένων, τα νευρωνικά δίκτυα, την τεχνητή νοημοσύνη και άλλα δημοφιλή φαινόμενα • Θα καταλάβετε ποιες περιοχές υπάρχουν στον τομέα της εργασίας με δεδομένα και στην πράξη με εργαλεία ανάλυσης • Λάβετε έναν οδηγό βήμα προς βήμα και μάθετε τι χρειάζεστε για να ξεκινήσετε στον τομέα των Δεδομένων Επιστήμη
4,6
Θα μάθετε να επιλύετε επιχειρηματικά προβλήματα χρησιμοποιώντας δεδομένα. Πρώτα, πάρτε την απαραίτητη εκπαίδευση, βελτιώστε τα μαθηματικά και τα στατιστικά σας και μετά μελετήστε SQL, Python, Power BI και σε ένα χρόνο θα γίνετε αναλυτής δεδομένων.
4,2