BDAM

Аналитика больших данных для руководителей: BDAM

ПОИСК

Быстрый заказ

ОЦЕНКА КУРСА

общая оценка курса:

оценка преподавателя:

Отзывов: 0

Стать преподавателем

Хочу скидку

Курс «Аналитика больших данных для менеджеров» построен таким образом, чтобы всего за 3 дня даже самый занятой руководитель мог эффективно освоить теорию и практику современных технологий Big Data в контексте их бизнес-применения. Обучение включает все необходимые знания для успешного участия в проектах по анализу больших данных. Программа обучения содержит информацию о фазах жизненного цикла аналитических процессов при цифровизации бизнеса и переходе к использованию Big Data. Вы узнаете базовые и расширенные методы аналитики, в т.ч. техники поиска и извлечения знаний из больших массивов разнородных данных. Также рассматриваются различные версии дистрибутивов платформы Hadoop, облачные сервисы для хранения и аналитики больших данных, «opensource» и коммерческие инструменты.

Подробно изучаются сценарии применения технологий работы с Большими Данными в организациях государственного сектора и различных отраслях бизнеса: банки и финансовые учреждения, промышленность, торговля, транспорт и др.

На сквозных примерах вы узнаете все особенности процессов инициации проектов цифровой трансформации, от сбора данных до формирования команды. Также детально познакомитесь с каждой фазой жизненного цикла работы с Big Data: подготовка данных, выбор модели, пилотное развертывание и тестирование прототипа, промышленная эксплуатация.

В нашем 3-дневном тренинге вы получите ответы на актуальные вопросы работы с персональными данными и обеспечения безопасности при работе с Big Data. Материалы содержат много реальных примеров (use cases) монетизации больших данных в российском и мировом бизнесе. Особое внимание уделено условиям импортозамещения, а также возможным сложностям и специфике использования при работе с большими данными для различных секторов экономики в России.

Выберите форму обучения, чтобы увидеть актуальные даты:

После изучения курса вы сможете

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
уяснить, что такое стандарт GDPR и как он влияет на ваш бизнес, риски и ограничения, и что такое политики Data Governance
узнать особенности применение методологий для реализации процессов аналитики больших данных на примере CRISP-DM

Содержание 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 BigData в условиях импортозамещения

2. Понимание Бизнеса (Business Understanding)

Определение бизнес целей для проекта BigData
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 (DataUnderstanding)

Определение источников данных
Специфика работы с потоковыми данными и batch в Big Data
Принципы формирования DataLake: выбор платформы
Первичный сбор и анализ данных: инструментарий и доступные методы
Описание данных и сбор метаданных
Datamanagement и Data Governance
Оценка качества данных DataQuality
Основные трудности и проблемы, критические факторы успеха, роли и навыки
Разбор сценариев (cases) для фазыData Understanding

4. Подготовка данных (Data Preparation)

Подготовка данных – подходы DataScience: нормализация, очистка, выборки, enrichment, форматирование данных
Подготовка данных – как процесс формирования DataPipeline:
- Процессы ETL и ELT
- Зонирование DataLake и сегментирование данных.
- Назначение и сравнительная характеристика компонент экосистемы ApacheHadoop, NoSQL, DWH, платформ потоковой обработки для хранения и обработки Big Data на примерах (отраслевые сценарии)
- Инструменты оркестрирования и автоматизации (DataFlow)
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 Scienceи их компетенции
Основные трудности и проблемы фазы моделирования, критические факторы успеха
Облачные платформы для быстрой разработки
Место DevOps, MLOpsдля 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 DataScience: 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 CRISPDM
Альтернативные подходы и расширения CRISPDM (Domino, TDSP, SEMMA)

Слушатели

Данный курс 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 условиях импортозамещения.

Предварительная подготовка

Предварительный опыт не требуется.