Скачать 

[Школа больших данных] BDAM: Аналитика больших данных для руководителей [Николай Комиссаренко]

Цена: 495 РУБ
Организатор: Robot
Список участников складчины:
  • 1. Vime
Robot
Robot
Складчик
  • #1

[Школа больших данных] BDAM: Аналитика больших данных для руководителей [Николай Комиссаренко]

Ссылка на картинку
BDAM: Аналитика больших данных для руководителей

Все, что нужно знать для успешной работы с большими данными: методы аналитики и машинного обучения, принципы работы и функциональные возможности компонентов экосистемы Hadoop, безопасность озера данных, цифровизация бизнеса.

О продукте:

Сегодня информация — это основа любого бизнеса, инструмент эффективного управления и оптимизации рабочих процессов. Аналитика больших данных (Big Data) вашего бизнеса поможет своевременно выявить и даже предупредить множество проблем, от оттока клиентов до утечки персональных данных. Чтобы понимать возможности современных технологий и выбирать среди них наилучшее соотношение «стоимость/результат», менеджеру необходимо разбираться в базовых понятиях и прикладных решениях.

Теоретический курс «Аналитика больших данных для руководителей» ориентирован на руководство государственных предприятий и частных компаний, менеджеров и специалистов, которые хотят получить расширенные знания по инструментам и методам анализа больших данных для участия в проектах Big Data и цифровизации бизнеса, в том числе, в условиях импортозамещения.

Аудитория: Руководство государственных предприятий и частных компаний, менеджеры и специалисты.
Уровень подготовки: Предварительный опыт не требуется.

Программа курса:
:)

1. Введение в Big Data (Большие данные)
  • Большие данные и цифровизация бизнеса.
  • Базовые принципы и отличия от классических подходов к работе с данными.
  • Обзор методологии CRISP DM — модели жизненного цикла аналитики данных: получение данных, подготовка данных, планирование модели, построение модели, проверка результатов, внедрение.
  • Отраслевая специфика аналитики больших данных. Общий разбор отраслевых сценариев (cases).
  • Тенденции в подходах Big Data и что актуально на сегодняшний день.
  • Технологии Big Data в условиях импортозамещения.
2. Понимание Бизнеса (Business Understanding)
  • Определение бизнес целей для проекта Big Data.
  • Отраслевая специфика аналитики больших данных. Общий разбор отраслевых сценариев (cases).
  • Инициация проекта — критические факторы успеха. Основные проблемы.
  • Оценка ситуации: риски, ROI, доступные ресурсы, оценка зрелости компании.
  • Приоритизация задач: Что делаем, а что нет.
  • Высокоуровневый план проекта.
  • Начинаем формировать команду проекта: специалисты и их компетенции, роли.
3. Понимание данных (Data Understanding)
  • Определение источников данных.
  • Специфика работы с потоковыми данными и batch в Big Data.
  • Принципы формирования Data Lake: выбор платформы.
  • Первичный сбор и анализ данных: инструментарий и доступные методы.
  • Описание данных и сбор метаданных.
  • Data management и Data Governance.
  • Оценка качества данных Data Quality.
  • Основные трудности и проблемы, критические факторы успеха, роли и навыки.
  • Разбор сценариев (cases) для фазы Data Understanding.
4. Подготовка данных (Data Preparation)
  • Подготовка данных – подходы Data Science: нормализация, очистка, выборки, enrichment, форматирование данных.
  • Подготовка данных – как процесс формирования Data Pipeline:
    • Процессы ETL и ELT,
    • Зонирование Data Lake и сегментирование данных,
    • Назначение и сравнительная характеристика компонент экосистемы Apache Hadoop, NoSQL, DWH, платформ потоковой обработки для хранения и обработки Big Data на примерах (отраслевые сценарии),
    • Инструменты оркестрирования и автоматизации (Data Flow).
  • И снова о Метаданных: Data Lineage, Data Provenance, Data Governance, …
  • Безопасность больших данных.
  • Основные трудности и проблемы, критические факторы успеха.
  • Специалисты и их компетенции на данной стадии.
5. Выбор и построение моделей (Modeling)
  • Классы аналитических задач и подходы к их решению.
  • Обзор техник моделирования.
  • Построение моделей и оценка моделей.
  • Что нужно для успешного моделирования.
  • Инструментарий для решения аналитических задач этапа моделирования.
  • Оценка моделей и среда тестирования моделей: технические метрики оценки качества проведенного моделирования.
  • А также песочницы, Machine & Deep learning, AI, Нейронные сети и многое другое.
  • Команда Data Science и их компетенции.
  • Основные трудности и проблемы фазы моделирования, критические факторы успеха.
  • Облачные платформы для быстрой разработки.
  • Место DevOps, MLOps для организации процессов разработки.
  • Рассмотрение фазы моделирования на сквозных сценариях (cases): место, участники, взаимодействие с другими фазами и процессами.
6. Оценка результатов (Evaluation)
  • Про бизнес-метрики оценки качества моделирования.
  • Что делать если все плохо? – возвращаемся на предыдущие фазы.
  • Рассматриваем данную стадию в рамках наших сценариев (cases).
  • Отличия среды разработки и эксплуатации.
  • Особенности этапа оценки.
7. Развертывание (Deployment)
  • Планирование развертывания модели.
  • Мониторинг и обслуживание модели.
  • Методологии автоматизации и вывода продуктов в промышленную эксплуатацию – DevOps и MLOps.
  • Задачи финального обеспечения фаз жизненного цикла Data Science: цикличность reviews, обновления и вывод из эксплуатации.
8.Финальная переоценка проекта
  • Постанализ рисков и BIA, ROI и генерация ценности.
  • Допущенные просчеты и методы их решения.
  • Оценка процессов и оценка зрелости компании.
  • Типичные ошибки применения CRISP DM.
  • Альтернативные подходы и расширения CRISP DM (Domino, TDSP, SEMMA).
Чему Вы научитесь:
  • Разбираться в основных понятиях Больших Данных, Машинного обучения (Machine Learning), Искусственного интеллекта (Artificial Intelligence)
  • понимать назначение компонентов экосистемы Hadoop, Spark, Kafka или терминов Data Lake, Delta Lake,
  • знать, в чем отличие Apache Hadoop, Arenadata, NoSQL, MPP или Greenplum,
  • выявить нюансы облачных решений, контейнеризации и применимости к вашей отрасли бизнеса,
  • знать, что такое политики Data Governance,
  • знать особенности применения методологий для реализации процессов аналитики больших данных на примере CRISP-DM.
Преподаватель - Комиссаренко Николай:

Томский Политехнический Институт (Томск, 1994)
Профессиональные компетенции:
  • Сертифицированный тренер Arenadata (2019)
  • Построение Data Lake и аналитика больших данных на решениях Arenadata, Cloudera, HortonWorks, EMC (Hadoop, Isilon), Pivotal, облачные решения, cистемы хранения данных уровня enterprise, информационная безопасность
  • EMC Certified Instructor (2007)
  • Dell EMC Specialist – Cloud Architect (2006)
  • Dell EMC XtremeIO, Isilon – Storage Aministrator, Data Science Specialist (2006)
  • IT Service Manager (2006)
  • Certified Information System Security Professional (CISSP) (2006 -2010)
  • Certified Information Security Manager (CISM)
 
Зарегистрируйтесь , чтобы посмотреть скрытый авторский контент.
Похожие складчины
  • в разделе: Программирование
  • в разделе: Программирование
  • в разделе: Программирование

Войдите или зарегистрируйтесь, чтобы комментировать и скачивать складчины!

Учетная запись позволит вам участвовать в складчинах и оставлять комментарии

Регистрация

Создайте аккаунт на форуме. Это не сложно!

Вход

Вы уже зарегистрированы? Войдите.

Сверху