SMACK Stack for Data Science Kurzusok

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

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.

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

A képzés végére a résztvevők képesek lesznek:

• Állítsa be a szükséges környezetet a Pandas munkafolyamatok Modin segítségével történő nagyszabású fejlesztéséhez.
• Ismerje meg a Modin funkcióit, architektúráját és előnyeit.
• Ismerje meg a különbségeket Modin, Dask és Ray között.
• Hajtsa végre Pandas műveletet gyorsabban a Modin segítségével.
• Valósítsa meg a teljes Pandas API-t és funkciókat.

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 létrehozni, gépi tanulási algoritmusokat, pl. XGBoost, 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 a GPU-kat a végpontok közötti adat- és elemzési folyamatok felgyorsításához.
• Valósítsa meg a GPU-gyorsított adat-előkészítést és az ETL-t a cuDF és az Apache Arrow segítségével.
• Ismerje meg, hogyan hajthat végre gépi tanulási feladatokat XGBoost és cuML algoritmusokkal.
• Készítsen adatvizualizációkat és hajtson végre grafikonelemzést a cuXfilter és cuGraph segítségével.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak az adattudósoknak 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 az Anaconda összetevőit és könyvtárait.
• Ismerje meg az Anaconda alapfogalmait, jellemzőit és előnyeit.
• Csomagok, környezetek és csatornák kezelése az Anaconda Navigator 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.

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 használhatja a Sparkot a Python-vel a Big Data elemzésére.
• Dolgozz olyan gyakorlatokon, amelyek a valós eseteket utánozzák.
• Használjon különféle eszközöket és technikákat a PySpark használatával végzett nagy adatelemzéshez.

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, a GraphX és a Pregel megvalósítása számos gépen párhuzamosan végezhet gráfszámítást.
• Tekintse meg a valós big data problémákat grafikonok, folyamatok és bejárások formájában.

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

A tanfolyam formátuma

• Interaktív előadás és beszélgetés.
• Sok gyakorlat és gyakorlat.
• Gyakorlati megvalósítás élő labor környezetben.

Tanfolyam testreszabási lehetőségek

• Ha személyre szabott képzést szeretne kérni ehhez a tanfolyamhoz, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.

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.

A képzés első részében áttekintjük a MATLAB alapjait és annak funkcióját, mind nyelvként, mind platformként. Ez a megbeszélés a MATLAB szintaxisának, tömbjeinek és mátrixainak, az adatok megjelenítésének, a szkriptek fejlesztésének és az objektum-orientált elveknek a bevezetését tartalmazza.

A második részben bemutatjuk, hogyan lehet a MATLAB ot használni az adatbányászathoz, gépi tanuláshoz és prediktív elemzéshez. Annak érdekében, hogy a résztvevők világos és gyakorlati perspektívát nyújtsanak a MATLAB megközelítéséről és hatalmáról, összehasonlításokat készítünk a MATLAB és más eszközök, például táblázatok, C, C++ és Visual Basic használata között.

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

A tanfolyam során a résztvevők gyakorlati tapasztalatokat vezetnek be a laboratóriumi környezetben. A képzés végére a résztvevők alaposan meg fogják érteni a MATLAB képességeit, és képesek lesznek arra felhasználni a valós adatok tudományos problémáinak megoldására, valamint az automatizálás útján történő munkájuk korszerűsítésére.

A haladás felmérése érdekében az értékelést a kurzus egész területén végzik.

A tantárgy formátuma

• A tanfolyam elméleti és gyakorlati gyakorlatokat foglal magában, beleértve az esettanulmányokat, a mintakód ellenőrzését és a gyakorlati megvalósítást.

jegyzet

• A gyakorlati foglalkozások előre elkészített mintaadat-sablonokon alapulnak. Ha konkrét követelményei vannak, kérjük, vegye fel velünk a kapcsolatot.

A Jupyter egy nyílt forráskódú, webalapú interaktív IDE és számítástechnikai környezet.

Ez az oktató által vezetett, élő (online vagy helyszíni) tréning bemutatja az együttműködésen alapuló fejlesztés ötletét az adattudományban, és bemutatja, hogyan használható a Jupyter a „számítási ötlet életciklusának” nyomon követésére és csapatként való részvételére. Végigvezeti a résztvevőket egy adattudományi mintaprojekt létrehozásán, amely a Jupyter ökoszisztémán alapul.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Jupytert, beleértve a csapattár létrehozását és integrációját a Gitben.
• Használja a Jupyter funkcióit, például a bővítményeket, az interaktív widgeteket, a többfelhasználós módot és egyebeket a projekt együttműködésének lehetővé tételéhez.
• Hozzon létre, osszon meg és rendszerezzen Jupyter Notebookokat a csapat tagjaival.
• Válasszon a Scala, Python, R lehetőségek közül, hogy kódot írjon és hajtson végre olyan nagy adatrendszerekben, mint például a Apache Spark, mindezt a Jupyter felületen keresztül.

A tanfolyam formátuma

• Interaktív előadás és beszélgetés.
• Sok gyakorlat és gyakorlat.
• Gyakorlati megvalósítás élő labor környezetben.

Tanfolyam testreszabási lehetőségek

• A Jupyter Notebook több mint 40 nyelvet támogat, beleértve az R, Python, Scala, Julia stb. nyelvet. Ha ezt a kurzust az Ön által választott nyelv(ek)re szeretné szabni, kérjük, lépjen kapcsolatba velünk, hogy megbeszéljük.

Az adat tudomány a statisztikai elemzés, a gépi tanulás, az adatok vizualizációja és programozás alkalmazása a realworld adatok megértése és értelmezése céljából Az F # egy jól alkalmazható programozási nyelv az adat tudomány számára, mivel egyesítik a hatékony végrehajtást, a REPLscriptelést, a hatékony könyvtárakat és a skálázható adatintegrálást Ebben az oktatott, élő képzésben a résztvevők megtanulják használni az F # -ot, hogy megoldhassanak egy sor valós világú adatkommunikációs problémát A képzés végére a résztvevők képesek lesznek: Használja az F # integrált adatcsomagjait Használja az F # -ot, hogy együttműködjön más nyelvekkel és platformokkal, mint például az Excel, az R, a Matlab és a Python Használja a Deedle csomagot idősoros problémák megoldásához Végezze el a fejlett elemzést minimális termelési minőségi kóddal Értsd meg, hogy a funkcionális programozás természetesen illeszkedik a tudományos és nagy számításokhoz Az adatok elérése és megjelenítése F # Alkalmazzunk F # gépi tanuláshoz Fedezze fel az olyan megoldások megoldásait, mint az üzleti intelligencia és a szociális játékok Közönség Fejlesztők Adatkutatók A tanfolyam formátuma Részelőadás, vitafórumok, gyakorlatok és nehéz handson gyakorlat .

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:

• Ismerje meg a Python programozási nyelv alapjait
• Töltse le, telepítse és karbantartja a Python pénzügyi alkalmazások létrehozására szolgáló legjobb fejlesztőeszközöket
• Válassza ki és használja a legmegfelelőbb Python csomagokat és programozási technikákat a különféle forrásokból származó pénzügyi adatok rendezésére, megjelenítésére és elemzésére (CSV, Excel , adatbázisok, web stb.)
• Készítsen alkalmazásokat, amelyek megoldják az eszközallokációval, a kockázatelemzéssel, a befektetési teljesítménygel és egyéb kérdésekkel kapcsolatos problémákat
• Hibaelhárítás, integrálás, telepítés és optimalizálás a Python alkalmazásban

Közönség

• Fejlesztők
• Az elemzők
• quants

A tantárgy formátuma

• Részleges előadás, részleges beszélgetés, gyakorlatok és nehéz gyakorlati gyakorlat

jegyzet

• Ennek a képzésnek a célja a pénzügyi szakemberek által felvetett néhány alapvető probléma megoldása. Ha azonban van egy adott témája, eszköze vagy technikája, amelyet tovább szeretne fűzni vagy kidolgozni, kérjük, vegye fel velünk a kapcsolatot, hogy megbeszéljük.

This course is meant for Marketing Sales Professionals who are intending to get deeper into application of data science in Marketing/ Sales. The course provides
detailed coverage of different data science techniques used for “upsale”, “cross-sale”, market segmentation, branding and CLV.

Difference of Marketing and Sales - How is that sales and marketing are different?

In very simplewords, sales can be termed as a process which focuses or targets on individuals or small groups. Marketing on the other hand targets a larger group or the general public. Marketing includes research (identifying needs of the customer), development of products (producing innovative products) and promoting the product (through advertisements) and create awareness about the product among the consumers. As such marketing means generating leads or prospects. Once the product is out in the market, it is the task of the sales person to persuade the customer to buy the product. Sales means converting the leads or prospects into purchases and orders, while marketing is aimed at longer terms, sales pertain to shorter goals.