Introduksjon til Datavitenskap Treningskurs

Dette er en 5-dagers introduksjon til Data Science og Kunstig Intelligens (AI).

Kurset blir gjennomført med eksempler og øvelser ved bruk av Python.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot dataforskere som ønsker å bruke Anaconda-økosystemet til å fange opp, administrere og distribuere pakker og dataanalysearbeidsflyter på én enkelt plattform.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Anaconda komponenter og biblioteker.
• Forstå kjernekonseptene, funksjonene og fordelene ved Anaconda.
• Administrer pakker, miljøer og kanaler ved hjelp av Anaconda Navigator.
• Bruk Conda-, R- og Python-pakker for datavitenskap og maskinlæring.
• Bli kjent med noen praktiske brukstilfeller og teknikker for å administrere flere datamiljøer.

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

Deltakere som fullfører denne opplæringen vil få en praktisk, virkelig forståelse av Data Science og dets relaterte teknologier, metodologier og verktøy.

Deltakere vil få muligheten til å sette denne kunnskapen i praksis gjennom hånds-on øvelser. Gruppeinteraksjoner og instruktørtilbakemelding utgjør en viktig del av kurset.

Kurset starter med en introduksjon til grunnleggende konsepter innen Data Science, og fortsetter deretter med verktøy og metodologier som brukes innen Data Science.

Målgruppe

• Utviklere
• Tekniske analytikere
• IT-konsulenter

Format for kurset

• Delen forelesning, delen diskusjon, øvelser og mye hånds-on praksis

Notis

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

Eksplosjonen av informasjon og data i dagens verden er uten sidestykke, vår evne til å innovere og flytte grensene for det mulige vokser raskere enn den noen gang har gjort. Rollen som Data Scientist er en av de høyest etterspurte ferdighetene i bransjen i dag.

Vi tilbyr mye mer enn å lære gjennom teori; vi leverer praktiske, salgbare ferdigheter som bygger bro mellom akademia og industriens krav.

Denne 7 ukers læreplanen kan skreddersys til dine spesifikke bransjekrav, vennligst kontakt oss for mer informasjon eller besøk Nobleprog Institutes nettsted

Publikum:

Dette programmet er rettet mot kandidater på postnivå så vel som alle med de nødvendige forutsetningene som vil bli bestemt av en vurdering og intervju.

Leveranse:

Levering av kurset vil være en blanding av Instructor Led Classroom og Instructor Led Online; typisk vil den første uken være 'klasseromsledet', uke 2 - 6 'virtuelt klasserom' og uke 7 tilbake til 'klasseromsledet'.

Big data er datasett som er så omfangsrike og komplekse at tradisjonell databehandlingsapplikasjonsprogramvare er utilstrekkelig til å håndtere dem. Store datautfordringer inkluderer innhenting av data, datalagring, dataanalyse, søk, deling, overføring, visualisering, spørring, oppdatering og informasjon om personvern.

Denne kurset er ment for markedsførings- og salgsprofesjoneller som ønsker å dykkere dypere inn i anvendelsen av datascience i markedsføring/salg. Kurset gir detaljert dekning av ulike datascience-teknikker som brukes for "upsale", "cross-sale", markedssegmentering, merkevarebygging og CLV.

Forskjellen mellom markedsføring og salg - Hvordan er salg og markedsføring forskjellige?

I veldig enkle ord kan salg beskrives som en prosess som fokuserer eller retter seg mot individer eller små grupper. Markedsføring på sin side retter seg mot en større gruppe eller den generelle offentligheten. Markedsføring inkluderer forskning (identifisering av kundens behov), utvikling av produkter (produksjon av innovative produkter) og fremme av produktet (gjennom reklame) og skaper bevissthet om produktet blant forbrukerne. På denne måten betyr markedsføring å generere leads eller potensielle kunder. Når produktet er på markedet, er det oppgave til salgsansvarlig å overbevise kunden om å kjøpe produktet. Salg betyr å konvertere leads eller potensielle kunder til kjøp og ordrer, mens markedsføring er rettet mot lengre mål, handler salg om kortere mål.

Denne instruktørledede, live-trening på Norge (online eller på sted) introduserer ideen om samarbeidsutvikling innen datascience og demonstrerer hvordan man bruker Jupyter til å følge og delta som et team i "livssyklusen til en beregningside". Den leder deltakere gjennom opprettelsen av et eksempel på et datascience-prosjekt basert på Jupyter-økosystemet.

Ved slutten av denne treningen vil deltakerne kunne:

• Installere og konfigurere Jupyter, inkludert opprettelse og integrering av et team-repositorium på Git.
• Bruk Jupyter-funksjoner som utvidelser, interaktive widget og flerbruker-modus for å muliggjøre samarbeid på prosjekter.
• Opprette, dele og organisere Jupyter Notebooks med teammedlemmer.
• Velge mellom Scala, Python, R, for å skrive og kjøre kode mot store datasystemer som Apache Spark, alt gjennom Jupyter-grensesnittet.

Denne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot datavitere og utviklere som ønsker å lære og bygge karrierer i Data Science ved hjelp av Kaggle.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Lær om datavitenskap og maskinlæring.
• Utforsk dataanalyse.
• Lær om Kaggle og hvordan det fungerer.

I den første delen av denne opplæringen dekker vi det grunnleggende om MATLAB og dets funksjon som både et språk og en plattform. Inkludert i denne diskusjonen er en introduksjon til MATLAB syntaks, matriser og matriser, datavisualisering, skriptutvikling og objektorienterte prinsipper.

I den andre delen demonstrerer vi hvordan du bruker MATLAB til datautvinning, maskinlæring og prediktiv analyse. For å gi deltakerne et klart og praktisk perspektiv på MATLABs tilnærming og makt, trekker vi sammenligninger mellom bruk av MATLAB og andre verktøy som regneark, C, C++ og Visual Basic.

I den tredje delen av opplæringen lærer deltakerne hvordan de kan effektivisere arbeidet sitt ved å automatisere databehandlingen og rapportgenereringen.

Gjennom hele kurset vil deltakerne implementere ideene som er lært gjennom praktiske øvelser i et laboratoriemiljø. Ved slutten av opplæringen vil deltakerne ha en grundig forståelse av MATLAB sine evner og vil kunne bruke den til å løse datavitenskapelige problemer i den virkelige verden samt for å effektivisere arbeidet gjennom automatisering.

Det vil bli gjennomført vurderinger gjennom hele kurset for å måle fremgang.

Kursets format

• Kurset inkluderer teoretiske og praktiske øvelser, inkludert casediskusjoner, prøvekodeinspeksjon og praktisk implementering.

Merk

• Øvingsøktene vil være basert på forhåndsarrangerte rapportmaler for eksempeldata. Hvis du har spesifikke krav, vennligst kontakt oss for å avtale.

Denne instruktørledede, levende opplæring (online eller på stedet) er rettet mot mellomnivådataanalytikere, utviklere eller aspirerende dataforskere som ønsker å bruke maskinlæringsteknikker i Python for å trekke frem innsikt, gjøre prediksjoner og automatisere datastrømmet beslutninger.

Ved slutten av denne kurset vil deltakere være i stand til å:

• Forstå og skille mellom viktige maskinlæringsparadigmer.
• Utforske dataforberedelsesteknikker og modellevalueringsmetrikker.
• Bruke maskinlæringsalgoritmer til å løse reelle dataproblemer.
• Bruk Python biblioteker og Jupyter-notesbøker for praktisk utvikling.
• Bygg modeller for prediksjon, klassifisering, anbefaling og klustring.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere og utviklere som ønsker å bruke Modin til å bygge og implementere parallelle beregninger med Pandas for raskere dataanalyse.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige miljøet for å begynne å utvikle Pandas arbeidsflyter i skala med Modin.
• Forstå funksjonene, arkitekturen og fordelene ved Modin.
• Kjenn forskjellene mellom Modin, Dask og Ray.
• Utfør Pandas operasjoner raskere med Modin.
• Implementer hele Pandas API og funksjoner.

Python er et programmeringsspråk som har vunnet stor popularitet i finansielle bransjen. Anvendt av de største investeringsbankene og hedgefondene, blir det brukt til å bygge en rekke finansielle applikasjoner, fra kjernehandelsprogrammer til risikostyringssystemer.

I dette instruktørførte, live-treningen vil deltakerne lære hvordan man bruker Python til å utvikle praktiske applikasjoner for å løse en rekke spesifikke finansielle problemer.

Etter denne treningen vil deltakerne kunne:

• Føre vell med grunnleggende prinsipper i Python-programmeringsspråket
• Last ned, installere og vedlikeholde beste utviklingsverktøy for å skape finansielle applikasjoner i Python
• Velge og bruke de mest egnete Python-pakker og programmeringsteknikker til å organisere, visualisere og analysere finansiell data fra ulike kilder (CSV, Excel, databaser, nettet osv.)
• Bygge applikasjoner som løser problemer relatert til eierskapsfordeling, risikanalyse, investeringsprestasjon og mer
• Felsøke, integrere, distribuere og optimalisere en Python-applikasjon

Målgruppe

• Utviklere
• Analytikere
• Kvantitativ analytikkere (Quants)

Kursformat

• Del forelesning, del diskusjon, øvelser og mye praktisk arbeid

Merk

• Dette treningen har til hensikt å gi løsninger for noen av de viktigste problemene finansprofesjonelle møter. Hvis du har et bestemt emne, verktøy eller teknikk som du ønsker å legge til eller utdype mer på, vennligst kontakt oss for å arrange.

Opplæringskurset vil hjelpe deltakerne med å forberede seg på Webapplikasjonsutvikling ved hjelp av Python-programmering med dataanalyse. En slik datavisualisering er et verdifullt verktøy for toppledelsen i beslutningstaking.

Denne instruktørledede, live treningen (online eller på stedet) er rettet mot datavitere og utviklere som ønsker å bruke RAPIDS for å bygge GPU-akselerte datapipeliner, arbeidsflyter og visualiseringer, ved å bruke maskinlæringsalgoritmer, slik som XGBoost, cuML, etc.

Ved slutten av denne treningen vil deltakerne være i stand til å:

• Opprette den nødvendige utviklingsmiljøet for å bygge datamodeller med NVIDIA RAPIDS.
• Forstå funksjonene, komponentene og fordelene ved RAPIDS.
• Utnytt GPU til å akselerere ende-til-ende data- og analytiske pipeliner.
• Implementere GPU-akselert datapreparering og ETL med cuDF og Apache Arrow.
• Lære å utføre maskinlæringsoppgaver med XGBoost- og cuML-algoritmer.
• Bygge data-visualiseringer og utføre grafanalyse med cuXfilter og cuGraph.