Plan Szkolenia
Wprowadzenie do analizy danych i Big Data
- Co sprawia, że Big Data jest „Big”?
- Prędkość, objętość, różnorodność, wiarygodność (VVVV)
- Ograniczenia tradycyjnego przetwarzania danych
- Przetwarzanie rozproszone
- Analiza statystyczna
- Rodzaje analizy uczenia maszynowego
- Wizualizacja danych
Role i obowiązki w Big Data
- Administratorzy
- Deweloperzy
- Analitycy danych
Języki używane do analizy danych
- Język R
- Dlaczego R do analizy danych?
- Manipulacja, obliczenia i graficzna prezentacja danych
- Python
- Dlaczego Python do analizy danych?
- Manipulowanie, przetwarzanie, czyszczenie i przetwarzanie danych
Podejścia do analizy danych
- Analiza statystyczna
- Analiza szeregów czasowych
- Prognozowanie z wykorzystaniem modeli korelacji i regresji
- Statystyka inferencyjna (szacowanie)
- Statystyka opisowa w dużych zbiorach danych (np. obliczanie średniej)
- Uczenie maszynowe
- Uczenie nadzorowane vs nienadzorowane
- Klasyfikacja i grupowanie
- Szacowanie kosztów konkretnych metod
- Filtrowanie
- Przetwarzanie języka naturalnego
- Przetwarzanie tekstu
- Zrozumienie znaczenia tekstu
- Automatyczne generowanie tekstu
- Analiza sentymentu/analiza tematyczna
- Przetwarzanie obrazu
- Pozyskiwanie, przetwarzanie, analizowanie i rozumienie obrazów
- Rekonstruowanie, interpretowanie i rozumienie scen 3D
- Wykorzystanie danych obrazowych do podejmowania decyzji
Infrastruktura Big Data
- Przechowywanie danych
- Bazy relacyjne (SQL)
- MySQL
- Postgres
- Oracle
- Bazy nierelacyjne (NoSQL)
- Cassandra
- MongoDB
- Neo4js
- Zrozumienie niuansów
- Bazy hierarchiczne
- Bazy obiektowe
- Bazy dokumentowe
- Bazy grafowe
- Inne
- Bazy relacyjne (SQL)
- Przetwarzanie rozproszone
- Hadoop
- HDFS jako rozproszony system plików
- MapReduce do przetwarzania rozproszonego
- Spark
- Wszechstronne środowisko obliczeń klastrowych w pamięci do przetwarzania danych na dużą skalę
- Strukturalne przetwarzanie strumieniowe
- Spark SQL
- Biblioteki do uczenia maszynowego: MLlib
- Przetwarzanie grafów z GraphX
- Hadoop
- Skalowalność
- Chmura publiczna
- AWS, Google, Aliyun itp.
- Chmura prywatna
- OpenStack, Cloud Foundry itp.
- Automatyczna skalowalność
- Chmura publiczna
Wybór odpowiedniego rozwiązania dla problemu
Przyszłość Big Data
Podsumowanie i kolejne kroki
Wymagania
- Ogólne zrozumienie matematyki
- Ogólne zrozumienie programowania
- Ogólne zrozumienie baz danych
Grupa docelowa
- Deweloperzy/programiści
- Konsultanci IT
Opinie uczestników (7)
Jak działa duży obszar danych, programy danych, większa wiedza o tym, jak funkcjonuje nasz obecny świat za pomocą danych
Ozayr Hussain - Vodacom
Szkolenie - A Practical Introduction to Data Analysis and Big Data
Przetłumaczone przez sztuczną inteligencję
Praktyczna strona szkolenia.
Patrick - Vodacom PTy Ltd
Szkolenie - A Practical Introduction to Data Analysis and Big Data
Przetłumaczone przez sztuczną inteligencję
Interaktywne tematy i styl wykorzystywany przez prowadzącego, aby uprościć te tematy dla studentów
Miran Saeed - Sulaymaniyah Asayish Agency
Szkolenie - A Practical Introduction to Data Analysis and Big Data
Przetłumaczone przez sztuczną inteligencję
trener i jego umiejętność prowadzenia wykładów
ibrahim hamakarim - Sulaymaniyah Asayish Agency
Szkolenie - A Practical Introduction to Data Analysis and Big Data
Przetłumaczone przez sztuczną inteligencję
Zestawy ćwiczeń praktycznych
JOEL CHIGADA - University of the Western Cape
Szkolenie - A Practical Introduction to Data Analysis and Big Data
Przetłumaczone przez sztuczną inteligencję
Programowanie w języku R
Osden Jokonya - University of the Western Cape
Szkolenie - A Practical Introduction to Data Analysis and Big Data
Przetłumaczone przez sztuczną inteligencję
Overall the Content was good.
Sameer Rohadia
Szkolenie - A practical introduction to Data Analysis and Big Data
Przetłumaczone przez sztuczną inteligencję
