AWS Cloud9 az adattudományhoz Képzés

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak az adattudósoknak szól, akik szeretnék az Anaconda ökoszisztémát használni csomagok és adatelemzési munkafolyamatok rögzítésére, kezelésére és üzembe helyezésére egyetlen platformon.

A képzés végére a résztvevők képesek lesznek:

• Az Anaconda komponensek és könyvtárak telepítésére és konfigurálására.
• Megérteni az Anaconda alapvető fogalmait, jellemzőit és előnyeit.
• Csomagok, környezetek és csatornák kezelésére az Anaconda Navigator segítségével.
• A Conda, R és Python csomagok használatára adattudományban és gépi tanulásban.
• Megismerni néhány gyakorlati használati esetet és technikát több adatkörnyezet kezelésére.

Ez az oktató által vezetett, élő képzés Magyarország (helyszíni vagy távoli) azoknak a mérnököknek szól, akik IoT eszközöket szeretnének üzembe helyezni és kezelni az AWS-en.

A képzés végére a résztvevők képesek lesznek egy IoT platformot építeni, amely magában foglalja a háttérrendszer, az átjáró és az eszközök üzembe helyezését és kezelését az AWS-en.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) azoknak a fejlesztőknek szól, akik szeretnék telepíteni, konfigurálni és kezelni az AWS IoT Greengrass képességeket, hogy különböző eszközökhöz alkalmazásokat hozzanak létre.

A képzés végén a résztvevők képesek lesznek az AWS IoT Greengrass használatával alkalmazásokat építeni, telepíteni, kezelni, biztonságossá tenni és monitorozni intelligens eszközökön.

Ez az oktató által vezetett, élő képzés Magyarország-ban (helyszíni vagy távoli) azoknak a fejlesztőknek szól, akik szeretnék az AWS Lambda használatával szolgáltatásokat és alkalmazásokat építeni és üzembe helyezni a felhőben, anélkül, hogy aggódniuk kellene az execution környezet kiépítésével (kiszolgálók, virtuális gépek és konténerek, elérhetőség, skálázhatóság, tárolás stb.).

A képzés végén a résztvevők képesek lesznek:

• Az AWS Lambda konfigurálása egy függvény végrehajtásához.
• A FaaS (Functions as a Service) megértése és a kiszolgáló nélküli fejlesztés előnyei.
• Az AWS Lambda függvények építése, feltöltése és végrehajtása.
• Lambda függvények integrálása különböző eseményforrásokkal.
• Lambda alapú alkalmazások csomagolása, üzembe helyezése, monitorozása és hibaelhárítása.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) haladó szintű szakembereknek szól, akik mélyebben szeretnék megérteni a DevOps gyakorlatokat és optimalizálni szeretnék a fejlesztési folyamatokat az AWS Cloud9 segítségével.

A képzés végén a résztvevők képesek lesznek:

• Az AWS Cloud9 beállítására és konfigurálására DevOps munkafolyamatokhoz.
• Folyamatos integrációs és szállítási (CI/CD) folyamatok megvalósítására.
• Tesztelés, monitorozás és üzembe helyezés automatizálására az AWS Cloud9 segítségével.
• AWS szolgáltatások, például a Lambda, EC2 és S3 integrálására DevOps munkafolyamatokba.
• Verziókezelő rendszerek, mint a GitHub vagy a GitLab használatára az AWS Cloud9-en belül.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középszintű szakembereknek szól, akik szeretnék megtanulni, hogyan építsenek, helyezzenek üzembe és karbantartsanak hatékonyan kiszolgáló nélküli alkalmazásokat AWS Cloud9-en és AWS Lambda-n.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a kiszolgáló nélküli architektúra alapjait.
• Beállítani az AWS Cloud9-et kiszolgáló nélküli alkalmazásfejlesztéshez.
• Fejleszteni, tesztelni és üzembe helyezni kiszolgáló nélküli alkalmazásokat AWS Lambda használatával.
• Integrálni az AWS Lambda-t más AWS szolgáltatásokkal, mint az API Gateway és az S3.
• Optimalizálni a kiszolgáló nélküli alkalmazásokat teljesítmény és költséghatékonyság szempontjából.

A big data olyan adathalmazokat jelöl, amelyek olyan terjedelmesek és összetettek, hogy a hagyományos adatfeldolgozó alkalmazás szoftverek nem képesek kezelni őket. A big data kihívásai közé tartozik az adatgyűjtés, adattárolás, adatelemzés, keresés, megosztás, átvitel, vizualizáció, lekérdezés, frissítés és az adatvédelem.

Összefoglaló:

• Az IoT architektúra és funkcióinak alapjai
• „Dolgok”, „Érzékelők”, Internet és az IoT üzleti funkciói közötti leképezés
• Az összes IoT szoftverkomponens alapjai - hardver, firmware, middleware, felhő és mobilalkalmazás
• IoT funkciók - Flottakezelés, Adatvizualizáció, SaaS alapú FM és DV, riasztás/figyelmeztetés, érzékelő regisztráció, „dolog” regisztráció, geo-fencing
• Az IoT eszközök felhővel való kommunikációjának alapjai MQTT segítségével.
• IoT eszközök csatlakoztatása az AWS-hez MQTT segítségével (AWS IoT Core).
• Az AWS IoT Core összekapcsolása AWS Lambda funkcióval számítások és adattárolás céljából.
• Raspberry PI csatlakoztatása az AWS IoT Core-hoz és egyszerű adatkommunikáció.
• Riasztások és események
• Érzékelő kalibrálása

Összefoglaló:

• Az IoT architektúra és funkcióinak alapjai
• „Dolgok”, „Érzékelők”, az internet és az IoT üzleti funkciói közötti leképezés
• Az IoT szoftverkomponensek alapjai – hardver, firmware, middleware, felhő és mobilalkalmazás
• IoT funkciók – Flotta kezelő, Adatvizualizáció, SaaS alapú FM és DV, riasztás/figyelmeztetés, érzékelő regisztrálás, „dolog” regisztrálás, geofencing
• Az IoT eszközök felhővel való kommunikációjának alapjai MQTT segítségével.
• IoT eszközök csatlakoztatása az AWS-hez MQTT segítségével (AWS IoT Core).
• Az AWS IoT Core összekötése AWS Lambda függvénnyel számításokhoz és adattároláshoz DynamoDB használatával.
• Raspberry PI csatlakoztatása az AWS IoT Core-hoz és egyszerű adatkommunikáció.
• Gyakorlati munka Raspberry PI és AWS IoT Core segítségével intelligens eszköz építéséhez.
• Érzékelő adatok vizualizációja és kommunikáció webes felületen keresztül.

Ez az oktató által vezetett, élőben folytatott képzés Magyarország (online vagy helyszíni) bemutatja az együttműködő fejlesztés ötletét az adatelemzés területén, és bemutatja, hogyan használható a Jupyter a "számítási ötlet életciklusának" nyomon követésére és csapatként való részvételére. A résztvevők végigvezetik egy minta adatelemzési projekt létrehozásán a Jupyter ökoszisztémáján.

A képzés végére a résztvevők képesek lesznek:

• Telepíteni és konfigurálni a Jupytert, beleértve egy csapat adattár létrehozását és integrálását a Git-en.
• A Jupyter funkcióit, mint például a kiterjesztések, interaktív widgetek, többfelhasználós mód és egyebek használatával lehetővé tenni a projekt együttműködést.
• Jupyter Notebookok létrehozása, megosztása és szervezése csapattagokkal.
• Scala, Python, R közül választani, hogy kódot írjanak és futtassanak nagy adatrendszerek, például az Apache Spark ellen, mindezt a Jupyter felületen keresztül.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) azoknak az adattudósoknak és fejlesztőknek szól, akik szeretnének tanulni és karriert építeni az adattudományban a Kaggle használatával.

A képzés végére a résztvevők képesek lesznek:

• Megismerni az adattudományt és a gépi tanulást.
• Felfedezni az adatelemzést.
• Megismerni a Kagglet és annak működését.

A képzés első részében a MATLAB alapjaival és annak nyelvi és platformként való funkcionalitásával foglalkozunk. Ebben a részben bemutatjuk a MATLAB szintaxisát, tömböket és mátrixokat, adatvizualizációt, szkriptfejlesztést és objektum-orientált elveket.

A második részben bemutatjuk, hogyan használható a MATLAB adatbányászatra, gépi tanulásra és prediktív elemzésre. Ahhoz, hogy a résztvevők világos és gyakorlati képet kapjanak a MATLAB módszertanáról és erejéről, összehasonlításokat vonunk le a MATLAB és más eszközök, például táblázatkezelők, C, C++ és Visual Basic használata között.

A képzés harmadik részében a résztvevők megtanulják, hogyan tehetik hatékonyabbá munkájukat az adatfeldolgozás és jelentéskészítés automatizálásával.

A képzés során a résztvevők gyakorlati feladatokon keresztül sajátítják el a tanultakat laboratóriumi környezetben. A képzés végére a résztvevők alapos ismeretekkel rendelkeznek a MATLAB képességeiről, és képesek lesznek valós adattudományi problémák megoldására, valamint munkájuk hatékonyabbá tételére automatizálás segítségével.

A képzés során folyamatos értékelések keretében mérjük fel a haladást.

A képzés formátuma

• A képzés elméleti és gyakorlati feladatokat tartalmaz, beleértve esettanulmányokat, mintakódok elemzését és gyakorlati implementációt.

Megjegyzés

• A gyakorlati órák előre megszervezett mintaadatok és jelentéssablonok alapján kerülnek lebonyolításra. Ha speciális igényeid vannak, kérjük, vedd fel velünk a kapcsolatot.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) azoknak az adattudósoknak és fejlesztőknek szól, akik a Modin használatával párhuzamos számításokat szeretnének létrehozni és implementálni a Pandas segítségével a gyorsabb adatelemzés érdekében.

A képzés végén a résztvevők képesek lesznek:

• Beállítani a szükséges környezetet a nagy léptékű Pandas munkafolyamatok fejlesztéséhez a Modin segítségével.
• Megérteni a Modin jellemzőit, architektúráját és előnyeit.
• Ismerni a Modin, a Dask és a Ray közötti különbségeket.
• Gyorsabban végrehajtani Pandas műveleteket a Modin segítségével.
• Implementálni a teljes Pandas API-t és funkciókat.

A Python egy olyan programozási nyelv, amely hatalmas népszerűségre tett szert a pénzügyi iparágban. A legnagyobb befektetési bankok és hedge alapok által alkalmazva, széles körű pénzügyi alkalmazások fejlesztésére használják, a kereskedelmi programoktól kezdve a kockázatkezelő rendszerekig.

Ezen oktatóvezetésű, élő képzés során a résztvevők megtanulják, hogyan használják a Python-t gyakorlati alkalmazások fejlesztésére, hogy megoldják a pénzügyi területen felmerülő számos specifikus problémát.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a Python programozási nyelv alapjait
• Letölteni, telepíteni és karbantartani a legjobb fejlesztői eszközöket pénzügyi alkalmazások létrehozásához Pythonban
• Kiválasztani és alkalmazni a legmegfelelőbb Python csomagokat és programozási technikákat, hogy szervezzék, ábrázolják és elemezzék a pénzügyi adatokat különböző forrásokból (CSV, Excel, adatbázisok, web, stb.)
• Olyan alkalmazásokat építeni, amelyek megoldják az eszközallokációval, kockázatelemzéssel, befektetési teljesítménnyel kapcsolatos problémákat
• Hibakeresést, integrációt, üzembe helyezést és optimalizálást végezni egy Python alkalmazáson

Közönség

• Fejlesztők
• Elemzők
• Kvantok

A képzés formátuma

• Részben előadás, részben vita, gyakorlatok és intenzív gyakorlati munka

Megjegyzés

• Ez a képzés célja, hogy megoldásokat nyújtson a pénzügyi szakemberek által szembesülő főbb problémákra. Amennyiben van egy konkrét téma, eszköz vagy technika, amelyet szeretne hozzáadni vagy részletesebben kidolgozni, kérjük, lépjen kapcsolatba velünk, hogy megbeszéljük.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) adattudósok és fejlesztők számára készült, akik a RAPIDS segítségével GPU-gyorsított adatfolyamatokat, munkafolyamatokat és vizualizációkat szeretnének létrehozni, olyan gépi tanulási algoritmusokat alkalmazva, mint az XGBoost, a cuML stb.

A képzés végére a résztvevők képesek lesznek:

• Beállítani a szükséges fejlesztői környezetet adatmodellek létrehozásához az NVIDIA RAPIDS segítségével.
• Megismerni a RAPIDS funkcióit, összetevőit és előnyeit.
• Kihasználni a GPU-kat a teljes körű adat- és elemzési folyamatok gyorsítására.
• GPU-gyorsított adatelőkészítést és ETL-t implementálni a cuDF és az Apache Arrow segítségével.
• Megtanulni gépi tanulási feladatok végrehajtását az XGBoost és cuML algoritmusokkal.
• Adatvizualizációk készítését és gráfelemzést végrehajtani a cuXfilter és a cuGraph segítségével.