SMACK Stack for Data Science Treningskurs

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere og utviklere som ønsker å lære og bygge sine karrierer innen datavitenskap ved å bruke Kaggle.

Ved slutten av denne opplæringen vil deltakerne kunne:

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

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 stor skala med Modin.
• Forstå funksjonene, arkitekturen og fordelene med Modin.
• Kjenn forskjellene mellom Modin, Dask og Ray.
• Utfør Pandas operasjoner raskere med Modin.
• Implementer hele Pandas API og funksjoner.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere og utviklere som ønsker å bruke RAPIDS til å bygge GPU-akselererte datapipelines, arbeidsflyter og visualiseringer, ved å bruke maskinlæringsalgoritmer, som f.eks. XGBoost, cuML, etc.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Sett opp det nødvendige utviklingsmiljøet for å bygge datamodeller med NVIDIA RAPIDS.
• Forstå funksjonene, komponentene og fordelene ved RAPIDS.
• Utnytt GPUer for å akselerere ende-til-ende data- og analysepipelines.
• Implementer GPU-akselerert dataforberedelse og ETL med cuDF og Apache Arrow.
• Lær hvordan du utfører maskinlæringsoppgaver med XGBoost- og cuML-algoritmer.
• Bygg datavisualiseringer og utfør grafanalyse med cuXfilter og cuGraph.

Denne instruktørledede, live-opplæringen 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 med 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.

I denne instruktørledede, live-treningen i Norge vil deltakerne lære å bruke Python og Spark sammen for å analysere store data mens de jobber med praktiske øvelser.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Lær hvordan du bruker Spark med Python til å analysere Big Data.
• Arbeid med øvelser som etterligner virkelige tilfeller.
• Bruk forskjellige verktøy og teknikker for stordataanalyse ved hjelp av PySpark.

I denne instruktørledede, live-opplæringen i Norge vil deltakerne lære om teknologitilbudene og implementeringstilnærmingene for behandling av grafdata. Målet er å identifisere virkelige objekter, deres egenskaper og relasjoner, deretter modellere disse relasjonene og behandle dem som data ved å bruke en Graph Computing (også kjent som Graph Analytics) tilnærming. Vi starter med en bred oversikt og begrenser oss til spesifikke verktøy når vi går gjennom en serie casestudier, praktiske øvelser og live-implementeringer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå hvordan grafdata opprettholdes og krysses.
• Velg det beste rammeverket for en gitt oppgave (fra grafdatabaser til rammeverk for batchbehandling.)
• Implementer Hadoop, Spark, GraphX og Pregel for å utføre grafberegning på tvers av mange maskiner parallelt.
• Se virkelige big data-problemer når det gjelder grafer, prosesser og traverseringer.

MLlib er Sparks maskinlæringsbibliotek. Målet er å gjøre praktisk maskinlæring skalerbar og enkel. Den består av vanlige læringsalgoritmer og verktøy, inkludert klassifisering, regresjon, klynger, samarbeidende filtrering, dimensjonalitetsreduksjon, samt primitiver på lavere nivå og optimaliseringsgrensesnitt på rørledningen.

Den deler seg i to pakker:

• spark.mllib inneholder den originale API-en som er bygget på toppen av RDD-er.

• spark.ml gir API på høyere nivå bygget oppå DataFrames for konstruksjon av ML-rørledninger.

Publikum

Dette kurset er rettet mot ingeniører og utviklere som søker å bruke et innebygd maskinbibliotek for Apache Spark

Kursets format

• Interaktivt foredrag og diskusjon.
• Mye øvelser og trening.
• Praktisk implementering i et live-lab-miljø.

Alternativer for kurstilpasning

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

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

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.

The explosion of information and data in today’s world is un-paralleled, our ability to innovate and push the boundaries of the possible is growing faster than it ever has. The role of Data Scientist is one of the highest in-demand skills across industry today.

We offer much more than learning through theory; we deliver practical, marketable skills that bridge the gap between the world of academia and the demands of industry.

This 7 week curriculum  can be tailored to your specific Industry requirements, please contact us for further information or visit the Nobleprog Institute website 

Audience:

This programme is aimed post level graduates as well as anyone with the required pre-requisite skills which will be determined by an assessment and interview. 

Delivery:

Delivery of the course will be a mixture of Instructor Led Classroom and Instructor Led Online; typically the 1st week will be 'classroom led', weeks 2 - 6 'virtual classroom' and week 7  back to 'classroom led'. 

I den første delen av denne opplæringen dekker vi grunnleggende om MATLAB og dens funksjon som både språk og 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 kan bruke MATLAB til data mining, maskinlæring og prediktiv analyse. For å gi deltakerne et klart og praktisk perspektiv på MATLAB tilnærming og kraft, trekker vi sammenligninger mellom bruk av MATLAB og bruk av andre verktøy som regneark, C, C++ og Visual Basic.

I den tredje delen av opplæringen lærer deltakerne å effektivisere arbeidet sitt ved å automatisere databehandlingen og rapporteringen.

Gjennom hele kurset vil deltakerne praktisere ideene som læres gjennom praktiske øvelser i et laboratoriemiljø. Ved slutten av opplæringen vil deltakerne ha et grundig grep om MATLAB evner og vil kunne bruke det til å løse reelle datavitenskapelige problemer, samt for å effektivisere arbeidet gjennom automatisering.

Vurderinger vil bli gjennomført i løpet av kurset for å måle fremgang.

Kursets format

• Emnet inkluderer teoretiske og praktiske øvelser, inkludert saksdiskusjoner, prøvekodeinspeksjon og praktisk implementering.

Merk

• Øvingsøkter vil være basert på forhåndsarrangerte maler for eksempeldata. Hvis du har spesifikke krav, kan du kontakte oss for å avtale det.

Jupyter er et åpen kildekode, nettbasert interaktiv IDE og databehandlingsmiljø.

Denne instruktørledede, live-opplæringen (online eller på stedet) introduserer ideen om samarbeidsutvikling innen datavitenskap og demonstrerer hvordan du bruker Jupyter til å spore og delta som et team i "livssyklusen til en beregningside". Den leder deltakerne gjennom opprettelsen av et eksempeldatavitenskapelig prosjekt basert på toppen av Jupyter-økosystemet.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Jupyter, inkludert oppretting og integrasjon av et teamlager på Git.
• Bruk Jupyter-funksjoner som utvidelser, interaktive widgets, flerbrukermodus og mer for å aktivere prosjektsamarbeid.
• Lag, del og organiser Jupyter Notebooks med teammedlemmer.
• Velg mellom Scala, Python, R, for å skrive og kjøre kode mot store datasystemer som Apache Spark, alt gjennom Jupyter-grensesnittet.

Kursets format

• Interaktivt foredrag og diskusjon.
• Mye øvelser og trening.
• Praktisk implementering i et live-lab-miljø.

Alternativer for kurstilpasning

• Jupyter Notebook støtter over 40 språk, inkludert R, Python, Scala, Julia, osv. For å tilpasse dette kurset til ditt(e) språk, vennligst kontakt oss for å avtale.

Datavitenskap er anvendelsen av statistisk analyse, maskinlæring, datavisualisering og programmering med det formål å forstå og tolke virkelige data. F# er et velegnet programmeringsspråk for datavitenskap da det kombinerer effektiv utførelse, REPL-skripting, kraftige biblioteker og skalerbar dataintegrasjon.

I denne instruktørledede, live-opplæringen vil deltakerne lære å bruke F# til å løse en rekke datavitenskapelige problemer i den virkelige verden.

Ved slutten av denne opplæringen vil deltakerne kunne:

Bruk F#s integrerte datavitenskapspakker Bruk F# til å samhandle med andre språk og plattformer, inkludert Excel, R, Matlab og Python Bruk Deedle-pakken til å løse tidsserieproblemer Utfør avansert analyse med minimale linjer med produksjonskvalitetskode Forstå hvordan funksjonell programmering passer naturlig for vitenskapelige og store databeregninger Få tilgang til og visualiser data med F# Bruk F# for maskinlæring

Utforsk løsninger for problemer innen domener som business intelligence og sosialt spill

Publikum

Utviklere Dataforskere

Format på kurset

Del forelesning, del diskusjon, øvelser og tung praktisk praksis

Python er et programmeringsspråk som har fått stor popularitet i finansnæringen. Adoptert av de største investeringsbankene og hedgefondene, og brukes til å bygge et bredt spekter av finansielle applikasjoner, alt fra kjernehandelsprogrammer til risikostyringssystemer.

I denne instruktørledede liveopplæringen vil deltakerne lære hvordan de bruker Python til å utvikle praktiske applikasjoner for å løse en rekke spesifikke økonomirelaterte problemer.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå det grunnleggende i Python programmeringsspråk
• Last ned, installer og vedlikehold de beste utviklingsverktøyene for å lage økonomiske applikasjoner i Python
• Velg og bruk de mest passende Python pakker og programmeringsteknikker for å organisere, visualisere og analysere økonomiske data fra forskjellige kilder (CSV, Excel , databaser, web, etc.)
• Bygg applikasjoner som løser problemer knyttet til allokering av eiendeler, risikoanalyse, investeringsresultater og mer
• Feilsøke, integrere, distribuere og optimalisere et Python program

Publikum

• Utviklere
• analytikere
• quants

Kursets format

• Delforelesning, deldiskusjon, øvelser og tung praktisk øvelse

Merk

• Denne opplæringen tar sikte på å tilby løsninger for noen av de viktigste problemene som fagpersoner i finansen står overfor. Imidlertid, hvis du har et bestemt emne, verktøy eller teknikk som du ønsker å legge til eller utdype videre, vennligst kontakt oss for å avtale det.