DataRobot Treningskurs

Oversikt

Communications tjenesteleverandører (CSP) står overfor press for å redusere kostnader og maksimere gjennomsnittlig inntekt per bruker (ARPU), samtidig som de sikrer en utmerket kundeopplevelse, men datavolumene fortsetter å vokse. Globalt mobildatatrafikk vil vokse ved en kombineret årlig vekstrate (CAGR) på 78 prosent i 2016, opp til 10,8 exabytes per måned.

I mellomtiden genererer CSPs store volumer av data, inkludert call detail records (CDR), nettverksdata og kundedata. Selskaper som fullstendig utnytter disse dataene får en konkurransedyktig edge. Ifølge en nylig undersøkelse av The Economist Intelligence Unit, nyter selskaper som bruker data-drevet beslutningstaking en 5-6% økning i produktivitet. Likevel bruker 53% av selskapene bare halvparten av sine verdifulle data, og en fjerdedel av respondentene noterte at enorme mengder nyttige data går uoppnådd. Datavolumene er så høye at manuell analyse er umulig, og de fleste legacy programvare systemer kan’t holde opp, noe som resulterer i verdifulle data blir bortskaffet eller ignorert.

Med Big Data & Analytics’ høyhastighets, skalerbare big data programvare, kan CSPs gruve alle dataene sine for bedre beslutningstaking i mindre tid. Forskjellige Big Data produkter og teknikker gir en end-to-end programvare plattform for å samle inn, forberede, analysere og presentere innsikt fra store data. Anvendelsesområder inkluderer nettverksprestasjonskontroll, svindeldeteksjon, kundekrondeteksjon og kredittrisikoanalyse. Big Data & Analytics produkter skala for å håndtere terabytes av data, men implementering av slike verktøy krever ny type cloud-basert databasesystem som Hadoop eller massiv skala parallell databehandler (KPU etc.)

Dette kurset arbeider på Big Data BI for Telco dekker alle de nye nye områdene der CSP investerer for produktivitet og åpner opp nye virksomhetsinntektsstrømmer. Kurset vil gi en komplett 360-graders oversikt over Big Data BI i Telco slik at beslutningstakere og ledere kan ha en svært bred og omfattende oversikt over mulighetene for Big Data BI i Telco for produktivitet og inntekt.

Kursets mål

Hovedformålet med kurset er å introdusere nye Big Data forretningsintelligence teknikker i 4 sektorer av Telecom Business (Marketing/Sales, Network Operation, Financial Operation og Customer Relation Management). Studentene vil bli introdusert til å følge:

• Introduksjon til Big Data-hva er 4Vs (volum, hastighet, variasjon og sannhet) i Big Data- Generasjon, ekstraksjon og ledelse fra Telco perspektiv
• Hvordan Big Data analytiker skiller seg fra arvdata analytiker
• In-house begrunnelse av Big Data -Telco perspektiv
• Introduksjon til Hadoop Ecosystem- kjent med alle Hadoop verktøy som Hive, Pig, SPARC – når og hvordan de brukes til å løse Big Data problem
• Hvordan Big Data er utvunnet til analyse for analyse verktøy-hvor Business Analysis’s kan redusere deres smertepunkter av innsamling og analyse av data gjennom integrert Hadoop dashboard tilnærming
• Basisk introduksjon av Insight-analyse, visualisering-analyse og forutsigbar analyse for Telco
• Customer Churn analytics og Big Data-how Big Data analytics kan redusere kundens churn og kundetilfredshet i Telco-casestudier
• Nettverksfeil og servicefeil analyser fra nettverksmetadata og IPDR
• Finansiell analyse - svindel, vasking og ROI-oppskatting fra salgs- og driftsdata
• Kunder oppkjøp problem-Target markedsføring, kundesegmentering og cross-sales fra salgsdata
• Introduksjon og sammendrag av alle Big Data analytiske produkter og hvor de passer inn i Telco analytisk plass
• Konklusjon - hvordan å ta steg for steg tilnærming til å introdusere Big Data Business Intelligence i organisasjonen din

Target publikum

• Nettverksoperasjoner, finansielle ledere, CRM-ledere og topp IT-ledere i Telco CIO-kontoret.
• Business Analytikere i Telco
• CFO kontor ledere/analytikere
• Operasjonelle ledere
• QA ledere

Publikum

Hvis du prøver å være fornuftig ut fra dataene du har tilgang til eller ønsker å analysere ustrukturerte data tilgjengelig på nettet (som Twitter, koblet inn osv.), Er dette kurset noe for deg.

Det er mest rettet mot beslutningstakere og personer som trenger å velge hvilke data som er verdt å samle inn og hva som er verdt å analysere.

Det er ikke rettet mot folk som konfigurerer løsningen, de menneskene vil dra nytte av det store bildet.

Leveringsmodus

I løpet av kurset vil delegatene bli presentert med fungerende eksempler på stort sett åpen kildekode-teknologier.

Korte forelesninger blir fulgt av presentasjon og enkle øvelser av deltakerne

Innhold og programvare brukt

All programvare som brukes oppdateres hver gang kurset kjøres, så vi sjekker de nyeste versjonene som er mulig.

Den dekker prosessen fra innhenting, formatering, behandling og analyse av dataene, for å forklare hvordan man kan automatisere beslutningsprosesser med maskinlæring.

R er et gratis programmeringsspråk med åpen kildekode for statistisk databehandling, dataanalyse og grafikk. R brukes av et økende antall ledere og dataanalytikere i selskaper og akademia. R har et bredt utvalg av pakker for data mining.

R er et gratis programmeringsspråk med åpen kildekode for statistisk databehandling, dataanalyse og grafikk. R brukes av et økende antall ledere og dataanalytikere i selskaper og akademia. R har et bredt utvalg av pakker for data mining.

Prediktiv analyse er prosessen med å bruke dataanalyse for å lage spådommer om fremtiden. Denne prosessen bruker data sammen med datautvinning, statistikk og maskinlæringsteknikker for å lage en prediktiv modell for å forutsi fremtidige hendelser.

I denne instruktørledede, live-opplæringen vil deltakerne lære hvordan de bruker Matlab til å bygge prediktive modeller og bruke dem på store utvalgsdatasett for å forutsi fremtidige hendelser basert på dataene.

Ved slutten av denne opplæringen vil deltakerne kunne:

Lag prediktive modeller for å analysere mønstre i historiske og transaksjonelle data Bruk prediktiv modellering for å identifisere risikoer og muligheter Bygg matematiske modeller som fanger opp viktige trender Bruk data fra enheter og forretningssystemer for å redusere avfall, spare tid eller kutte kostnader

Publikum

Utviklere Ingeniører Domeneeksperter

Format på kurset

Del forelesning, del diskusjon, øvelser og tung praktisk praksis

Fremskritt innen teknologier og den økende mengden informasjon transformerer hvordan rettshåndhevelse gjennomføres. Utfordringene Big Data utgjør er nesten like avskrekkende som Big Data løfte. Lagring av data er en av disse utfordringene; effektiv analyse av det er en annen.

I denne instruktørledede, liveopplæringen, vil deltakerne lære tankegangen til å tilnærme seg Big Data teknologier, vurdere deres innvirkning på eksisterende prosesser og policyer og implementere disse teknologiene med det formål å identifisere kriminell aktivitet og forhindre kriminalitet. Casestudier fra rettshåndhevelsesorganisasjoner rundt om i verden vil bli undersøkt for å få innsikt i deres adopsjonstilnærminger, utfordringer og resultater.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Kombiner Big Data teknologi med tradisjonelle datainnsamlingsprosesser for å fortelle en historie under en undersøkelse
• Implementere industrielle store datalagrings- og behandlingsløsninger for dataanalyse
• Utarbeide et forslag for adopsjon av de mest adekvate verktøy og prosesser for å muliggjøre en datadrevet tilnærming til kriminell etterforskning

Publikum

• Spesialister innen rettshåndhevelse med teknisk bakgrunn

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

This classroom based training session will contain presentations and computer based examples and case study exercises to undertake.

RapidMiner er en open source datavitenskapelig programvareplattform for rask applikasjonsprototyping og utvikling. Det inkluderer et integrert miljø for dataforberedelse, maskinlæring, dyp læring, tekstutvinning og prediktiv analyse.

I denne instruktørledede, RapidMiner , vil deltakerne lære hvordan de bruker RapidMiner Studio til dataforberedelse, maskinlæring og prediktiv modellutrulling.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer RapidMiner
• Forbered og visualiser data med RapidMiner
• Valider maskinlæringsmodeller
• Mashup-data og lag prediktive modeller
• Operasjonaliser prediktiv analyse innen en forretningsprosess
• Feilsøk og optimaliser RapidMiner

Publikum

• Data forskere
• ingeniører
• Utviklere

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Merk

• For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot tekniske personer som ønsker å bygge maskinlæringsmodeller ved å bruke algoritmer som GLM, Deep Learning og Random Forests.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer H2O.
• Lag maskinlæringsmodeller ved å bruke forskjellige populære algoritmer.
• Evaluer modeller basert på type data og forretningskrav.

Dette er en 5 dagers introduksjon til Data Science og AI.

Kurset blir levert med eksempler og øvelser ved bruk av Python

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot markedsførere som ønsker å bruke AI for å forbedre forbedre digitale markedsføringsstrategier gjennom verdifull kundeinnsikt.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Utnytt AI-programvare for å forbedre måten merker kobler til brukere på.
• Bruk chatbots for å optimalisere brukeropplevelsen.
• Øk produktiviteten og inntektene gjennom automatisering av oppgaver.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot ledere og bedriftsledere som ønsker å lære om det grunnleggende innen kunstig intelligens og administrere AI-prosjekter for sin organisasjon.

Ved slutten av denne opplæringen vil deltakerne være i stand til å forstå AI på et teknisk nivå og legge strategier ved å bruke organisasjonens data og ressurser for å lykkes med AI-prosjekter.

Denne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å programmere og lage roboter gjennom grunnleggende AI-metoder.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Implementer filtre (Kalman og partikkel) for å gjøre det mulig for roboten å lokalisere bevegelige objekter i omgivelsene.
• Implementer søkealgoritmer og bevegelsesplanlegging.
• Implementer PID-kontroller for å regulere en robots bevegelse i et miljø.
• Implementer SLAM-algoritmer for å gjøre det mulig for en robot å kartlegge et ukjent miljø.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot fagfolk som ønsker å lære og forstå konseptet AI og hvordan man bruker det effektivt og ansvarlig.

Ved slutten av denne opplæringen vil deltakerne kunne:

Lær begrepet Artificial Intelligence (AI). Forstå grensene og farene ved AI og bruk den ansvarlig. Vet hvordan du effektivt bruker AI i virkelige scenarier.

I denne instruktørledede, live-opplæringen i Norge (online eller på stedet), vil deltakerne lære de forskjellige teknologiene, rammeverkene og teknikkene for programmering av forskjellige typer roboter som skal brukes innen kjernefysisk teknologi og miljøsystemer.

Det 6-ukers kurset holdes 5 dager i uken. Hver dag er 4 timer lang og består av forelesninger, diskusjoner og praktisk robotutvikling i et levende labmiljø. Deltakerne vil fullføre ulike virkelige prosjekter som gjelder for arbeidet deres for å praktisere den ervervede kunnskapen.

Målmaskinvaren for dette kurset vil bli simulert i 3D gjennom simuleringsprogramvare. ROS (Robot Operating System) åpen kildekode-rammeverket, C++ og Python vil bli brukt til å programmere robotene.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå nøkkelbegrepene som brukes i robotteknologi.
• Forstå og administrere samspillet mellom programvare og maskinvare i et robotsystem.
• Forstå og implementere programvarekomponentene som underbygger robotikk.
• Bygg og bruk en simulert mekanisk robot som kan se, sanse, behandle, navigere og samhandle med mennesker gjennom stemmen.
• Forstå de nødvendige elementene av kunstig intelligens (maskinlæring, dyp læring, etc.) som gjelder for å bygge en smart robot.
• Implementer filtre (Kalman og partikkel) for å gjøre roboten i stand til å lokalisere bevegelige objekter i omgivelsene.
• Implementer søkealgoritmer og bevegelsesplanlegging.
• Implementer PID-kontroller for å regulere en robots bevegelse i et miljø.
• Implementer SLAM-algoritmer for å gjøre det mulig for en robot å kartlegge et ukjent miljø.
• Utvid en robots evne til å utføre komplekse oppgaver gjennom Deep Learning.
• Test og feilsøk en robot i realistiske scenarier.