Fundamentos del trabajo con big data (Ciencia de datos) - curso 14.990 rublos. de Especialista, capacitación, Fecha: 30 de noviembre de 2023.

Docente principal del Centro, jefe de la dirección “Tecnologías de enseñanza innovadoras”. Doctor en Ciencias Técnicas con especialización en “Análisis de sistemas en sistemas de información”. Poseedor de estatus prestigiosos. PfMP(®),PgMP®,PMP®, Experto en ITIL®, ITIL 4.0. Profesional directivo, Líder Estratégico, Product Owner certificado por DASA, formador acreditado PMP® Y ITIL®, instructor certificado de capacitación en línea PMP®,ITIL 4.0 Y DASA.

Profesor de propósito especial, poseedor de prestigioso estatus internacional. Maestro certificado por Microsoft. Graduado de la Universidad Técnica Estatal de Moscú que lleva el nombre de N.E. Bauman.

Módulo 1. Alcance del big data. Tareas típicas. (1 ac. h.)

-Objetivos del Curso
-Definición de conceptos básicos
-Historia de la ciencia de datos
-Beneficios de trabajar con big data
-Tareas típicas: previsión de ventas, producción, demanda. Análisis de comportamiento. Reconocimiento de patrones. Sistemas expertos.

Módulo 2. Recopilación y preparación de datos iniciales. Técnica CRISP-DM (1 académico. h.)

-Dónde empezar. Metodología estándar entre industrias para trabajar con datos CRISP-DM
-Estudio descriptivo y asociativo de datos fuente.
-Segmentación y limpieza de datos (slice and dice). Ejemplos de herramientas de Excel
-Visualización de datos en Excel. Cómo utilizar tablas dinámicas y gráficos
-Trabajo practico. Segmente y limpie el conjunto de datos de prueba.

Módulo 3. Fundamentos de estadística matemática. ANOVA. Complemento de Excel “Paquete de análisis” (2 ac. h.)

-Estadísticas descriptivas
-Promedio, más probable, mediana
-Varianza, desviación estándar, error estándar
-Tipos de distribuciones
-Paquete de análisis de datos de Excel.
-Visión general de otras herramientas de aplicación para trabajar con datos (R, Python, Octave, MathLab, bases de datos especializadas).
-Trabajo practico. Determinar las características estadísticas de la muestra de datos.

Módulo 4. Tarea de previsión de ventas. Concepto de aprendizaje automático. Correlación. Análisis de regresión (3 ac. h.)

-Exposición del problema de evaluar la relación entre varios factores y hacer un pronóstico.
-Correlación. coeficiente de Pearson
-Prueba de Student (análisis T)
-Fundamentos del aprendizaje automático
-Análisis de regresión
-Criterio de Fisher
-Construcción y análisis de tendencias en Excel.
-Trabajo practico. Determinar la presencia de correlación y dependencia de regresión entre dos muestras de datos. Construye una tendencia.

Módulo 5. Problemas de clasificación y reconocimiento de imágenes, vídeo, voz, texto. El concepto de redes neuronales. Ejemplos de aplicación. (3 ac. h.)

-La tarea de segmentar datos discretos usando el ejemplo de tareas de reconocimiento (gráficos, voz, texto)
-Las redes neuronales como herramienta para la resolución de problemas de clasificación.
-Demostración utilizando ejemplos de Azure, AWS.
-Tareas de clasificación de datos en redes sociales y búsqueda de la solución óptima (ruta)
-Los gráficos como herramienta para la resolución de problemas sobre gráficos sociales y la predicción del comportamiento.
-Árbol de decisión
-Partición en muestras (formación, pruebas, verificación)
-Análisis de errores de aprendizaje. Bases y desviaciones. Ajuste manual
-Trabajo práctico: clasificar un conjunto de datos y dividirlo en segmentos.

Módulo 6. El desafío de la investigación en redes sociales. La tarea de predecir el comportamiento del usuario. Grafos sociales y dirigidos. Árboles de decisión. Ejemplos de aplicación (3 ac. h.)

-La tarea de clasificar datos en las redes sociales.
-Los gráficos como herramienta para la resolución de problemas sobre gráficos sociales y la predicción del comportamiento.
-Partición en muestras (formación, pruebas, verificación)
-Análisis de errores de aprendizaje. Bases y desviaciones. Ajuste manual

Módulo 7. Herramientas avanzadas: aprendizaje automático profundo, inteligencia artificial, conjuntos difusos (1 ac. h.)

-El concepto de Aprendizaje Automático Profundo
-Análisis de negocio multifactorial utilizando lógica difusa como ejemplo.

Módulo 8. Orientación profesional para especialidades en Ciencia de Datos. Conclusiones y recomendaciones para la construcción y organización del trabajo en equipo (2 ac. h.)

-Roles de los especialistas de DS: analista de datos, científico de datos, programador, director digital
-Requisitos de competencias e interacción de los empleados en el campo del análisis de datos.
-Composición y requisitos del equipo de proyecto para DS.
-Preparar a la empresa para el uso de “bigdata”

Profesiones analíticas: que elegir

• Te contaremos en palabras sencillas sobre ciencia de datos, redes neuronales, inteligencia artificial y otros fenómenos populares. • Entenderás qué áreas existen. en el campo del trabajo con datos y trabajar con herramientas de análisis en la práctica • Obtenga una guía paso a paso y descubra lo que necesita para comenzar en el campo de los datos Ciencia

4,6

1 revisar