In-house, lektorem vedená verze kurzu Data Science and Big Data Analytics — praktický kurz na úrovni základů (foundation level), který umožňuje okamžité a efektivní zapojení do big data a dalších analytických projektů. Kurz připravuje na certifikační zkoušku Proven Professional Data Scientist Associate (EMCDSA) a vytváří základ dovedností data science.
Pro koho je workshop určen
❏ Manažeři týmů business intelligence, analytiky a big data profesionálů
❏ Stávající byznys a datoví analytici, kteří chtějí rozšířit své dovednosti o big data analytiku
❏ Datoví a databázoví profesionálové, kteří chtějí uplatnit své analytické dovednosti v prostředí big data
❏ Čerství absolventi vysokých škol a studenti postgraduálního studia s akademickou zkušeností v příbuzném oboru, kteří chtějí vstoupit do světa data science a big data
❏ Zájemci o certifikaci EMC Proven Professional Data Scientist Associate (EMCDSA)
Proč in-house a na míru
Otevřený kurz pracuje s obecnými byznysovými výzvami v rozsáhlých laboratorních cvičeních. V in-house realizaci lze závěrečné laboratorní cvičení a diskusi o Data Analytics Lifecycle nasměrovat na skutečnou byznysovou výzvu vaší organizace, takže si tým rovnou vyzkouší celý cyklus — od discovery po operacionalizaci — na příkladu blízkém jejich vlastní práci.
► Akreditované kurzy jsou fajn, ale praktická implementace nás baví a má okamžitou návratnost investice.
Jediné ACO pro tři pilíře implementace
❏ Simulace — Praktické workshopy, ve kterých si tým vyzkouší reálná architektonická rozhodnutí ještě před nasazením do produkce.
❏ Embedding — Implementace metodiky přímo do organizace — přístup funguje i poté, co lektor odejde ze sálu.
❏ Tailoring — Přizpůsobení metodiky konkrétnímu projektu, technologickému stacku a omezením firmy — žádná obecná prezentace.
Přístupy k realizaci
► Agilně — Inkrementální zavádění — dovednosti a architektonické vzory se zabudovávají modul po modulu, v souladu s dodávkovými sprinty.
► Big-bang — Umíme řídit i velké změny — kompletní přenastavení architektury dodané v koncentrovaném, intenzivním formátu.
► Ad-hoc — Bonboniéra toho nejlepšího — sestavená na míru z modulů workshopu podle konkrétní a naléhavé potřeby.
Cíle workshopu
❏ Nasadit Data Analytics Lifecycle pro řešení big data analytických projektů
❏ Přeformulovat byznysovou výzvu na analytickou výzvu
❏ Aplikovat vhodné analytické techniky a nástroje k analýze big data, tvorbě statistických modelů a identifikaci poznatků vedoucích k akčním výsledkům
❏ Vybrat vhodné datové vizualizace pro jasnou komunikaci analytických poznatků byznysovým sponzorům a analytickému publiku
❏ Používat R a RStudio, MapReduce/Hadoop, in-database analytiku, Windows a funkce MADlib
❏ Používat pokročilou analytiku k vytvoření konkurenční výhody
❏ Porozumět roli a dovednostem datového vědce ve srovnání s tradičním business intelligence analytikem
Praktické výstupy
❏ Praktický základ pro okamžité a efektivní zapojení do big data a dalších analytických projektů, včetně celého Data Analytics Lifecycle
❏ Schopnost aplikovat základní i pokročilé analytické metody (R, MapReduce/Hadoop, in-database analytika) na reálné byznysové výzvy
❏ Tým připravený na certifikační zkoušku Proven Professional Data Scientist Associate (EMCDSA), s vytvořeným základem dovedností data science
Ukázková struktura workshopu (přizpůsobitelná potřebám firmy)
| Modul 1 — Big Data Analytics | Big data; současný stav praxe v analytice; datový vědec; big data analytika v odvětvových verticals. |
| Modul 2 — Data Analytics Lifecycle | Discovery; příprava dat; plánování modelu; tvorba modelu; komunikace výsledků; operacionalizace. |
| Modul 3 — Základní analytické metody s využitím R | Práce s daty v R; analýza a průzkum dat; statistika pro tvorbu a vyhodnocení modelu. |
| Modul 4 — Pokročilá analytika: teorie a metody | K Means Clustering; asociační pravidla; lineární regrese; logistická regrese; naivní Bayesovský klasifikátor; rozhodovací stromy; analýza časových řad; textová analýza. |
| Modul 5 — Pokročilá analytika: technologie a nástroje | Analytika nestrukturovaných dat (MapReduce a Hadoop, Hadoop ekosystém); in-database analytika — základy SQL (pokročilé SQL a MADlib pro in-database analytiku). |
| Modul 6 — Spojení všeho dohromady | Operacionalizace analytického projektu; tvorba finálních výstupů; techniky datové vizualizace; závěrečné laboratorní cvičení na big data analytiku. |
Doporučené předpoklady
❏ Silný kvantitativní základ se solidním porozuměním základní statistiky (na úrovni kurzu Statistika 101)
❏ Zkušenost se skriptovacím jazykem, jako je Java, Perl nebo Python (případně R)
❏ Zkušenost s SQL
Detaily workshopu
❏ Formát: in-house, prezenčně nebo virtuálně
❏ Kurz zahrnuje rozsáhlá laboratorní cvičení umožňující aplikovat metody a nástroje na reálné byznysové výzvy; závěrečná laboratoř řeší big data analytickou výzvu pomocí konceptů z Data Analytics Lifecycle
❏ Přístup je technologicky neutrální
❏ Připravuje na certifikační zkoušku Proven Professional Data Scientist Associate (EMCDSA); konkrétní formát zkoušky nebyl na zdrojové stránce uveden
❏ Závěrečné laboratorní cvičení a diskusi o byznysových výzvách lze nasměrovat na reálnou situaci vaší organizace
Profil konzultanta / lektora
Workshop vede senior konzultant TAYLLORCOX s AWS akreditací a praxí v implementaci cloudové architektury u klientů napříč obory. Konzultant kombinuje roli lektora a implementačního poradce — cílem je, aby po workshopu zůstala v týmu použitelná architektura, ne jen zápisky.
Časté dotazy
1. Na jakou certifikaci kurz připravuje?
Na zkoušku Proven Professional Data Scientist Associate (EMCDSA).
2. Pro koho je kurz určen?
Pro manažery analytických týmů, byznys a datové analytiky, datové a databázové profesionály, čerstvé absolventy s akademickou zkušeností v příbuzném oboru, a zájemce o certifikaci EMCDSA.
3. Jaké zkušenosti účastníci potřebují?
Silný kvantitativní základ (úroveň Statistika 101), zkušenost se skriptovacím jazykem (Java, Perl, Python nebo R) a zkušenost s SQL.
4. Je to spíš teoretické, nebo praktické?
Kurz zahrnuje rozsáhlá laboratorní cvičení a je zakončen závěrečnou laboratoří, ve které účastníci řeší reálnou big data analytickou výzvu.
5. Jaká témata jsou zahrnuta?
Big data analytika, Data Analytics Lifecycle, základní analytické metody v R, pokročilá analytika (clustering, regrese, rozhodovací stromy, textová analýza), technologie jako MapReduce/Hadoop a in-database analytika, a datová vizualizace.
6. Je kurz vázaný na konkrétní technologii?
Ne — kurz zaujímá technologicky neutrální přístup.
7. Jak tento kurz souvisí s kurzem Advanced Methods in Data Science and Big Data Analytics?
Tento kurz je vstupní (associate-level) předpoklad pro pokročilý kurz Advanced Methods in Data Science and Big Data Analytics, který navazuje na zde vybudované dovednosti.
8. Jaký je rozdíl mezi rolí datového vědce a tradičního business intelligence analytika?
Kurz tento rozdíl přímo vysvětluje jako jedno z výukových témat — datový vědec pokrývá širší škálu analytických metod a technologií než tradiční BI analytik.
9. Lze laboratorní cvičení přizpůsobit naší organizaci?
Ano — závěrečné laboratorní cvičení a diskusi o byznysových výzvách lze nasměrovat na reálnou situaci vaší organizace.
10. Jak je to s cenou a termínem?
Cena, termíny a podmínky storna závisí na velikosti skupiny a formátu. Kontaktujte nás prosím telefonicky nebo přes kontaktní formulář pro nabídku na míru.
Jak nás hodnotí klienti
★★★★★
Na základě zpětné vazby klientů ze všech realizovaných AWS workshopů TAYLLORCOX.
Zdroj obsahu: https://www.tx.cz/dell/data-science-and-big-data-analytics
