Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan Szkolenia
Logika analityki danych biznesowych
1.1 Powszechność możliwości wykorzystywania danych
1.2 Dwa przykłady - huragany i zachowanie klientów
1.3 Data science, inżynieria i podejmowanie decyzji bazujące na danych
1.4 Przetwarzanie danych i „Big Data”
1.5 Od Big Data 1.0 do Big Data 2.0
1.6 Dane i analityka danych jako aktywa strategiczne
1.7 Logika analityki danych - podsumowanie
Problemy biznesowe i rozwiązania wykorzystujące data science
2.1 Od problemu biznesowego do eksploracji danych
2.2 Metody nadzorowane i nienadzorowane
2.3 Eksploracja danych i jej wyniki
2.4 Konsekwencje zarządzania przedsięwzięciami data science
2.5 Techniki i technologie analityczne
2.6 Podsumowanie
Modelowanie predykcyjne - od korelacji do nadzorowanej segmentacji
3.1 Modele, indukcja i prognozowanie
3.2 Nadzorowana segmentacja
3.3 Wizualizacja wyników
3.4 Drzewa jako zbiory reguł
3.5 Estymacja prawdopodobieństwa
3.6 Analiza przypadku
3.7 Podsumowanie
Dopasowywanie modelu do danych
4.1 Klasyfikacja za pomocą funkcji matematycznych
4.2 Regresja
4.3 Estymacja prawdopodobieństwa klasy i „regresja” logistyczna
4.4 Funkcje nieliniowe
4.5 Sieci neuronowe
4.6 Podsumowanie
Nadmierne dopasowanie i sposoby jego unikania
5.1 Generalizacja
5.2 Nadmierne dopasowanie
5.3 Analiza problemu nadmiernego dopasowania
5.4 Przykłady
5.5 Techniki unikania nadmiernego dopasowania
5.6 Krzywe uczenia
5.7 Kontrola złożoności
5.8 Podsumowanie
Podobieństwo, sąsiedztwo i skupienia
6.1 Podobieństwo i miara odległości
6.2 Najbliższe sąsiedztwo i reguły wnioskowania
6.3 Kluczowe techniki
6.4 Analiza skupień
6.5 Zastosowania w rązwiązywaniu problemów biznesowych
Kiedy model jest dobry?
7.1 Klasyfikatory stosowane w ewaluacji modelu
7.2 Uogólnienia przekraczające granice klasyfikacji
7.3 Ramy analityczne
7.4 Przykłady zastosowania technik podstawowych ewaluacji
7.5 Podsumowanie
Wizualizacja modelu
8.1 Zastosowanie rang
8.2 Krzywe zysku
8.3 Krzywe i grafy ROC (Receiver Operating Characteristics)
8.4 Powierzchnia pod krzywą ROC
8.5 Skumulowana odpowiedź
8.6 Przykłady
8.7 Podsumowanie
Dowody i prawdopodobieństwa
9.1 Przykład - ukierunkowanie na klienta
9.2 Probabilistyczne połączenia dowodów
9.3 Zastosowanie reguł Bayesa
9.4 Budowanie modelu
9.5 Przykład zastosowania modelu
9.6 Podsumowanie
Reprezentowanie i eksploracja tekstu
10.1 Dlaczego tekst jest ważny?
10.2 Dlaczego praca z tekstem jest trudna?
10.3 Reprezentacja
10.4 Przykład
10.5 Entropia i tekst
10.6 To nie worek na słowa
10.7 Eksploracja wiadomości
10.8 Podsumowanie
Inżynieria analityczna - analiza przypadków
Inne zadania i techniki
12.1 Współwystąpienia i asocjacje
12.2 Profilowanie
12.3 Prognozowanie powiązań
12.4 Redukcja i selekcja informacji
12.5 Przekłamania, zniekształcenia i wariancja
12.6 Analiza przypadków
12.7 Podsumowanie
Strategia biznesowa i data science
13.1 Redux
13.2 Osiąganie przewagi konkurencyjnej
13.3 Utrzymywanie przewagi
13.4 Pozyskiwanie zasobów
13.5 Nowe idee i rozwój
13.6 Dojrzałość organizacji
Jak prowadzić przeglądy projektów z zakresu data science
Zakończenie
Wymagania
Szkolenie Data Science w biznesie jest adresowane do kilku grup osób. Po pierwsze, adresowane jest do osób z samego biznesu. Tych, którzy będą pracować ze statystykami i analitykami danych (z data scientists, lub jak czasami mówi się w Polsce z „mistrzami danych”). Bardzo często osoby te będą kierowały projektami ukierunkowanymi na analitykę danych biznesowych lub będą inwestowały w przedsięwzięcia z obszaru data science. Oprócz tej grupy szkolenie jest przeznaczone dla tych, którzy będą implementowali rozwiązania ukierunkowane na analitykę danych. W przypadku tych osób chodzi o przedstawienie platformy wzajemnego porozumienia z biznesem, który nie bardzo jest zainteresowany szczegółami samej implementacji. Oczywiście, nie należy zapominać o trzeciej grupie. O tych którzy aspirują do tego, aby zostać mistrzem danych.
Szkolenie nie jest szkoleniem z algorytmów. Nie jest też szkoleniem z konkretnych systemów big data. Tym tematom poświęcone są odrębne szkolenia, ale bez znajomości pewnych fundamentalnych koncepcji oraz pryncypialnych zasad przedsięwzięcia z zakresu data science skazane są z góry na porażkę. Ponieważ rozwój technologii jest bardzo szybki, to bardzo często przysłania fundamenty, na których powinny być budowane rozwiązania z których biznes może w efektywny sposób skorzystać.
Szkolenie nie wymaga posiadania wyrafinowanej, specjalistycznej wiedzy z zakresu statystyki. Oczywiście należy zdawać sobie sprawę z tego, że z samej swojej natury materiał prezentowany w trakcie szkolenia ma w pewnym stopniu techniczny charakter. Celem szkolenia jest umożliwienie uczestnikom zdobycie znaczącego zrozumienia data science, a nie tylko ogólne przedstawienie dziedziny. Mimo tego, dość ambitnego celu, aparat matematyczny jest ograniczony do całkowicie niezbędnego minimum. Ogólnie mówiąc, szkolenie zawiera wszystko to, czego zrozumienie jest niezbędne do projektowania i budowy zaawansowanych, bazujących na data science rozwiązań problemów biznesowych.
35 godzin
Opinie uczestników (1)
duża wiedza, praca na rzeczywistych danych
