SMACK Stack for Data Science Képzés

Ez a kurzus azoknak a fejlesztőknek és adattudósoknak szól, akik szeretnék megérteni és megvalósítani a mesterséges intelligenciát alkalmazásaikban. Különös hangsúlyt kap az adatelemzés, az elosztott mesterséges intelligencia és a természetes nyelvi feldolgozás.

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

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Anaconda összetevőket és könyvtárakat.
• Ismerje meg a Anaconda alapfogalmait, szolgáltatásait és előnyeit.
• Csomagok, környezetek és csatornák kezelése a Anaconda Navigátor segítségével.
• Használja a Conda, R és Python csomagokat az adattudományhoz és a gépi tanuláshoz.
• Ismerjen meg néhány gyakorlati felhasználási esetet és technikát több adatkörnyezet kezeléséhez.

áttekintés

A szolgáltatók (CSP) nyomást gyakorolnak a költségek csökkentésére és az átlagos felhasználói bevétel (ARPU) maximalizálására, miközben kiváló ügyfélélményt biztosítanak, de az adatok mennyisége tovább növekszik. A globális mobil adatforgalom növekedni fog egy kombinált éves növekedési ütemben (CAGR) 78 százalékkal 2016-ra, elérve a 10,8 exabyt havonta.

Eközben a CSP-k nagy mennyiségű adatot generálnak, beleértve a hívási részleteket (CDR), a hálózati adatokat és az ügyféladatokat. Azok a cégek, amelyek teljes mértékben kihasználják ezeket az adatokat, versenyképes küszöböt szereznek. A The Economist Intelligence Unit közelmúltbeli felmérése szerint az adatközpontú döntéshozatalt használó vállalatok 5-6% -os termelékenységnövekedést élveznek. Azonban a vállalatok 53 százaléka csak az értékes adataik felét használja fel, és a megkérdezettek egyharmada megjegyezte, hogy a hasznos adatok hatalmas mennyiségét nem használják fel. Az adatok mennyisége olyan magas, hogy a kézi elemzés lehetetlen, és a legtöbb örökletes szoftverrendszer nem tudja megtartani, ami értékes adatokat hagy el vagy figyelmen kívül hagy.

Big Data & Analytics’ nagy sebességű, méretezhető nagy adat szoftverrel a CSP-k minálhatják az összes adatukat a jobb döntéshozatal érdekében kevesebb idő alatt. Különböző termékek és technikák végső szoftver platformot biztosítanak a nagy adatokból származó betekintések gyűjtésére, előkészítésére, elemzésére és bemutatására. Az alkalmazási területek közé tartozik a hálózati teljesítmény nyomon követése, a csalás kimutatása, az ügyfélhullám kimutatása és a hitelkockázatelemzés. Big Data & Analytics termékek skála kezelni terabytes adatokat, de az ilyen eszközök végrehajtása új típusú felhőalapú adatbázis rendszer, mint a Hadoop vagy a tömeges skála párhuzamos számítógépes processzor ( KPU stb.)

Ez a tanfolyam dolgozik Big Data BI for Telco fedezi az összes feltörekvő új területeket, amelyekben a CSP-k befektetnek a termelékenység növelése és megnyitása új üzleti bevételi áram. A kurzus teljes 360 fokos áttekintést nyújt a Big Data BI-ről a Telco-ban, hogy a döntéshozók és a vezetők nagyon széles és átfogó áttekintést kapjanak a Big Data BI lehetőségekről a Telco-ban a termelékenység és a bevételi nyereség érdekében.

kurzus célkitűzései

A kurzus fő célja, hogy új Big Data üzleti intelligencia technikákat vezessen be 4 ágazatban Telecom Business (Marketing/Sales, Network Operation, Financial Operation és Customer Relation Management). A diákokat be kell mutatni a következőkre:

• Bevezetés Big Data-mi a 4Vs (volumen, sebesség, sokszínűség és valószínűség) a Big Data- Generáció, kivonás és menedzsment a Telco perspektívából
• Hogyan különbözik az elemző az öröklési adatok elemzőjétől
• Otthoni indokolás Big Data -Telco perspektívája
• Bevezetés a Hadoop Ökoszisztéma- ismerkedés az összes Hadoop eszközök, mint a Hive, Pig, SPARC – mikor és hogyan használják megoldani Big Data problémát
• Hogyan Big Data kivonható elemezni az analitikai eszköz-hogyan Business Analysis’s csökkentheti a fájdalompontok gyűjtése és elemzése az adatok révén integrált Hadoop dashboard megközelítés
• Az Insight elemzés, a vizualizációs elemzés és az előrejelzési elemzés alapvető bemutatása a Telco számára
• Az ügyfélszóró elemzés és a Big Data-how Big Data elemzés csökkenti az ügyfélszórót és az ügyfél elégedetlenségét a Telco-ügyvizsgálatokban
• Hálózati hibák és szolgáltatási hibák elemzése a Hálózati meta-adatokból és az IPDR-ből
• Pénzügyi elemzés - csalás, csalás és ROI becslés az értékesítésből és az üzemeltetési adatokból
• Ügyfél beszerzési probléma-cél marketing, ügyfél szegmentáció és cross-sales az értékesítési adatokból
• Bevezetés és összefoglaló az összes Big Data analitikai termékről és arról, hogy hol illeszkednek a Telco analitikai térbe
• Következtetés-hogyan lehet lépésről lépésre megközelíteni Big Data Business Intelligence bevezetését a szervezetbe

Célközönség

• Hálózati üzemeltetések, Pénzügyi Menedzserek, CRM menedzserek és vezető IT menedzserek a Telco CIO irodájában.
• Business Az elemzők a Telco
• CFO irodai menedzserek / elemzők
• Operációs menedzserek
• QA menedzserek

A nagy adat olyan adatkészletek, amelyek annyira terjedelmesek és összetettek, hogy a hagyományos adatfeldolgozó alkalmazásszoftverek nem megfelelőek ezek kezelésére. A nagy adat kihívások között szerepel az adatok rögzítése, az adatok tárolása, az adatok elemzése, a keresés, a megosztás, az átvitel, a megjelenítés, a lekérdezés, a frissítés és az adatvédelem.

Ez a kurzus azoknak a Marketing értékesítési szakembereknek szól, akik szeretnének mélyebben elmerülni az adattudomány alkalmazásában a Marketing/ Értékesítés területén. A kurzus részletes ismertetést nyújt az „upsale”, „cross-sale”, piacszegmentáció, márkaépítés és CLV különböző adattudományi technikáiról.

A Marketing és az értékesítés különbsége – Miben különbözik az értékesítés és a marketing?

Nagyon leegyszerűsítve az értékesítést olyan folyamatnak nevezhetjük, amely egyénekre vagy kis csoportokra összpontosít vagy céloz. Marketing másrészt egy nagyobb csoportot vagy a nagyközönséget céloz meg. Marketing magában foglalja a kutatást (a vevő igényeinek azonosítása), a termékfejlesztést (innovatív termékek előállítása) és a termék népszerűsítését (reklámokon keresztül), valamint a termékkel kapcsolatos tudatosság kialakítását a fogyasztók körében. Mivel az ilyen marketing potenciális ügyfelek vagy potenciális ügyfelek generálását jelenti. Miután a termék kikerült a piacra, az értékesítő feladata, hogy rávegye a vásárlót a termék megvásárlására. Az értékesítés azt jelenti, hogy a leadeket vagy potenciális ügyfeleket vásárlásokká és megrendelésekké alakítják, míg a marketing hosszabb távú, az értékesítés rövidebb célokra irányul.

Ezen az oktató által vezetett, élő képzésen a Magyarország-ban a résztvevők megismerkedhetnek a technológiai kínálatokkal és a grafikonadatok feldolgozásának megvalósítási módszereivel. A cél a valós objektumok, jellemzőik és kapcsolataik azonosítása, majd a kapcsolatok modellezése és adatként való feldolgozása Graph Computing (más néven Graph Analytics) megközelítéssel. Kezdjük egy átfogó áttekintéssel, és leszűkítjük a konkrét eszközöket, miközben esettanulmányok, gyakorlati gyakorlatok és élő telepítések sorozatán lépkedünk végig.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a grafikonadatok megőrzését és bejárását.
• Válassza ki a legjobb keretrendszert egy adott feladathoz (a gráfadatbázisoktól a kötegelt feldolgozási keretrendszerekig).
• A Hadoop, a Spark, GraphX és a Pregel megvalósítása számos gépen párhuzamosan végezhet gráfszámítást.
• Tekintse meg a valós világban felmerülő big data problémákat grafikonok, folyamatok és bejárások formájában.

This instructor-led, live training in Magyarország (online or onsite) introduces the idea of collaborative development in data science and demonstrates how to use Jupyter to track and participate as a team in the "life cycle of a computational idea".  It walks participants through the creation of a sample data science project based on top of the Jupyter ecosystem.

By the end of this training, participants will be able to:

• Install and configure Jupyter, including the creation and integration of a team repository on Git.
• Use Jupyter features such as extensions, interactive widgets, multiuser mode and more to enable project collaboraton.
• Create, share and organize Jupyter Notebooks with team members.
• Choose from Scala, Python, R, to write and execute code against big data systems such as Apache Spark, all through the Jupyter interface.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak és fejlesztőknek szól, akik szeretnének tanulni és karrierjüket a Data Science-ban az Kaggle segítségével építeni.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg az adattudományt és a gépi tanulást.
• Fedezze fel az adatelemzést.
• További információ a Kaggle-ről és annak működéséről.

A képzés első részében bemutatjuk az MATLAB alapjait, valamint nyelvként és platformként való funkcióját. Ez a vita tartalmazza a MATLAB szintaxis, a tömbök és mátrixok, az adatvizualizáció, a szkriptfejlesztés és az objektumorientált elvek bevezetését.

A második részben bemutatjuk, hogyan használható az MATLAB adatbányászathoz, gépi tanuláshoz és prediktív elemzéshez. Annak érdekében, hogy a résztvevők világos és gyakorlatias perspektívát kapjanak MATLAB megközelítéséről és erejéről, összehasonlítjuk az MATLAB és más eszközök, például táblázatok, C, C++ és Visual Basic használatával.

A tréning harmadik részében a résztvevők megtanulják, hogyan lehet egyszerűsíteni munkájukat adatfeldolgozásuk és jelentéskészítésük automatizálásával.

A tanfolyam során a résztvevők gyakorlati gyakorlatok során elsajátított ötleteket a gyakorlatba ültetik át laborkörnyezetben. A képzés végére a résztvevők alaposan átlátják MATLAB képességeit, és képesek lesznek alkalmazni azt valós adattudományi problémák megoldására, valamint munkájuk automatizálással történő egyszerűsítésére.

A tanfolyam során értékeléseket végeznek, hogy felmérjék az előrehaladást.

A tanfolyam formátuma

• A kurzus elméleti és gyakorlati gyakorlatokat tartalmaz, beleértve az esetmegbeszéléseket, a mintakód ellenőrzését és a gyakorlati megvalósítást.

jegyzet

• A gyakorlatok előre meghatározott mintaadatjelentés-sablonokon alapulnak. Ha konkrét igényei vannak, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.

Ez az oktatóvezetett, élő képzés Magyarország (online vagy helyszínen) célcsoportja az intermediate szintű adatanalitikusok, fejlesztők, vagy azok, akik data scientistként szeretnének dolgozni, és akarnak alkalmazni gépészettudományi technikákat Python-ban adatok elemzéséhez, előrejelzéséhez és automatizálni az adatokból származó döntéseket.

A kurzus végén a résztvevők képesek lesznek:

• Érteni és megkülönböztetni a kulcsfontosságú gépészettudományi paradigmákat.
• Felmérni az adatfeldolgozási technikákat és a modellértékelési mértékeket.
• Alkalmazni gépészettudományi algoritmusokat valós világbeli adatproblémák megoldására.
• Használni Python könyvtárakat és Jupyter notebookokat gyakorlati fejlesztéshez.
• Építeni előrejelzésre, osztályozásra, ajánlásra és csoportosításra szolgáló modelleket.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak és fejlesztőknek szól, akik az Modin segítségével párhuzamos számításokat kívánnak készíteni és megvalósítani a Pandas-vel a gyorsabb adatelemzés érdekében.

A képzés végére a résztvevők képesek lesznek:

• Állítsa be a szükséges környezetet a Pandas munkafolyamatok nagyarányú fejlesztésének megkezdéséhez az Modin segítségével.
• Ismerje meg az Modin szolgáltatásait, felépítését és előnyeit.
• Ismerje meg a különbségeket Modin, Dask és Ray között.
• Hajtsa végre a Pandas műveletet gyorsabban az Modin segítségével.
• Valósítsa meg a teljes Pandas API-t és funkciókat.

Python egy programozási nyelv, amely óriási népszerűségre tett szert a pénzügyi iparban. A legnagyobb befektetési bankok és a fedezeti alapok által elfogadott pénzügyi eszköz széles skáláját építik fel, az alapkereskedelmi programoktól kezdve a kockázatkezelési rendszerekig.

Ebben az oktató által vezetett, élő képzésen a résztvevők megtanulják, hogyan kell használni a Python ot gyakorlati alkalmazások kifejlesztésére számos konkrét pénzügyi vonatkozású probléma megoldására.

A képzés végére a résztvevők képesek lesznek:

• Megérteni a Python programozási nyelv alapjait
• Letölteni, telepíteni és karbantartani a legjobb fejlesztőeszközöket pénzügyi alkalmazások létrehozásához a Python -ben
• Kiválasztani és használni a legmegfelelőbb Python csomagokat és programozási technikákat a pénzügyi adatok rendszerezéséhez, vizualizálásához és elemzéséhez különböző forrásokból (CSV, Excel, adatbázisok, web, stb.)
• Alkalmazásokat létrehozni, amelyek megoldják az eszközallokációval, kockázatelemzéssel, befektetési teljesítménnyel és még sok más kapcsolatos problémákat
• Hibaelhárítani, integrálni, üzembe helyezni és optimalizálni egy Python alkalmazást

Közönség

• Fejlesztők
• Elemzők
• Kvantitatív elemzők

A tantárgy formátuma

• Részben előadás, részben megbeszélés, gyakorlatok és intenzív gyakorlati feladatok

jegyzet

• Ez a képzés megoldást nyújt a pénzügyi szakemberek által felmerülő alapvető problémákra. Ha azonban van egy konkrét témája, eszköze vagy technikája, amelyet szeretne kiegészíteni vagy részletesebben kifejteni, kérjük, vegye fel velünk a kapcsolatot.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak és fejlesztőknek szól, akik a RAPIDS segítségével GPU gyorsított adatfolyamokat, munkafolyamatokat és vizualizációkat kívánnak készíteni, gépi tanulási algoritmusokat alkalmazva, mint például az XGBoost, a cuML stb.

A képzés végére a résztvevők képesek lesznek:

• Állítsa be a szükséges fejlesztői környezetet az adatmodellek NVIDIA-val való felépítéséhez RAPIDS.
• Ismerje meg a RAPIDS szolgáltatásait, összetevőit és előnyeit.
• Használja ki az GPU-eket a végpontok közötti adat- és elemzési folyamatok felgyorsításához.
• Valósítson meg GPU-gyorsított adat-előkészítést és ETL-t cuDF-el és Apache Arrow-val.
• Ismerje meg, hogyan hajthat végre gépi tanulási feladatokat XGBoost és cuML algoritmusokkal.
• Készítsen adatvizualizációkat és hajtson végre grafikonelemzést a cuXfilter és cuGraph segítségével.

Ezen az oktató által vezetett, élő képzésen a Magyarország-ban a résztvevők megtanulják, hogyan használhatják a Python-t és a Spark-ot a nagy adatok elemzésére, miközben gyakorlati gyakorlatokon dolgoznak.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg, hogyan használja a Sparkot a Python-val a Big Data elemzéséhez.
• Dolgozz olyan gyakorlatokon, amelyek a valós eseteket utánozzák.
• Használjon különféle eszközöket és technikákat a nagy adatelemzéshez az PySpark segítségével.

Az MLlib a Spark gépi tanulási (ML) könyvtára. Célja, hogy a gyakorlati gépi tanulás méretezhető és egyszerű legyen. Közös tanulási algoritmusokból és segédprogramokból áll, beleértve a besorolást, a regressziót, a klaszterezést, az együttműködő szűrést, a dimenziócsökkentést, valamint az alacsonyabb szintű optimalizálási primitíveket és a magasabb szintű csővezeték API-kat.

Ez két csomagra oszlik:

• A spark.mllib tartalmazza az RDD-re épített eredeti API-t.

• A spark.ml magasabb szintű API-t kínál, amely a DataFrames tetején épült ML-csővezetékek építéséhez.

Közönség

Ez a tanfolyam olyan mérnökökre és fejlesztőkre irányul, akik egy beépített gépkönyvtárat kívánnak használni az Apache Spark