Python w Naukach o Danych - Plan Szkolenia

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi, którzy chcą korzystać z ekosystemu Anaconda do przechwytywania, zarządzania i wdrażania pakietów i przepływów pracy analizy danych na jednej platformie.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zainstalować i skonfigurować komponenty i biblioteki Anaconda.
• Zrozumieć podstawowe pojęcia, funkcje i zalety Anaconda.
• Zarządzać pakietami, środowiskami i kanałami za pomocą Anaconda Navigator.
• Używanie pakietów Conda, R i Python do nauki o danych i uczenia maszynowego.
• Poznanie praktycznych przypadków użycia i technik zarządzania wieloma środowiskami danych.

Przegląd

Communication Dostawcy usług (CSP) stoją w obliczu presji na redukcję kosztów i maksymalizację średniego przychodu na użytkownika (ARPU), przy jednoczesnym zapewnieniu doskonałego doświadczenia klienta, ale ilość danych wciąż rośnie. Globalny ruch danych w sieciach komórkowych będzie rósł w tempie 78% rocznie (CAGR) do 2016 roku, osiągając 10,8 eksabajtów miesięcznie.

W międzyczasie CSP generują duże ilości danych, w tym rejestry szczegółów połączeń (CDR), dane sieciowe i dane klientów. Firmy, które w pełni wykorzystują te dane, zyskują przewagę konkurencyjną. Według niedawnego badania przeprowadzonego przez The Economist Intelligence Unit, firmy, które wykorzystują podejmowanie decyzji w oparciu o dane, cieszą się 5-6% wzrostem produktywności. Jednak 53% firm wykorzystuje tylko połowę swoich cennych danych, a jedna czwarta respondentów zauważyła, że ogromne ilości przydatnych danych pozostają niewykorzystane. Ilość danych jest tak duża, że ich ręczna analiza jest niemożliwa, a większość starszych systemów oprogramowania nie nadąża, przez co cenne dane są odrzucane lub ignorowane.

Dzięki szybkiemu, skalowalnemu oprogramowaniu Big Data & Analytics&rsquo, dostawcy usług CSP mogą wydobywać wszystkie swoje dane w celu podejmowania lepszych decyzji w krótszym czasie. Różne produkty i techniki Big Data zapewniają kompleksową platformę oprogramowania do gromadzenia, przygotowywania, analizowania i prezentowania wniosków z dużych zbiorów danych. Obszary zastosowań obejmują monitorowanie wydajności sieci, wykrywanie oszustw, wykrywanie rezygnacji klientów i analizę ryzyka kredytowego. Produkty Big Data & Analytics skalują się do obsługi terabajtów danych, ale wdrożenie takich narzędzi wymaga nowego rodzaju systemu baz danych opartego na chmurze, takiego jak Hadoop lub masowego procesora obliczeń równoległych (KPU itp.).

Ten kurs na temat Big Data BI dla Telco obejmuje wszystkie pojawiające się nowe obszary, w które CSP inwestują w celu zwiększenia produktywności i otwarcia nowego strumienia przychodów biznesowych. Kurs zapewni pełny 360-stopniowy przegląd Big Data BI w Telco, dzięki czemu decydenci i menedżerowie będą mieli bardzo szeroki i kompleksowy przegląd możliwości Big Data BI w Telco w celu zwiększenia produktywności i przychodów.

Cele kursu

Głównym celem kursu jest wprowadzenie nowych technik analityki biznesowej Big Data w 4 sektorach Telecom biznesu (marketing / sprzedaż, operacje sieciowe, operacje finansowe i zarządzanie relacjami z klientami). Studenci zostaną zapoznani z następującymi zagadnieniami:

• Wprowadzenie do Big Data - czym są 4V (objętość, szybkość, różnorodność i prawdziwość) w Big Data - generowanie, ekstrakcja i zarządzanie z perspektywy Telco
• Czym różni się analityka Big Data od dotychczasowej analityki danych
• Wewnętrzne uzasadnienie Big Data - perspektywa Telco
• Wprowadzenie do ekosystemu Hadoop - znajomość wszystkich narzędzi Hadoop, takich jak Hive, Pig, SPARC – kiedy i jak są one wykorzystywane do rozwiązywania problemów Big Data
• W jaki sposób Big Data są pozyskiwane do analizy w narzędziach analitycznych - w jaki sposób analiza biznesowa może zmniejszyć ból związany z gromadzeniem i analizą danych dzięki zintegrowanemu podejściu do pulpitu nawigacyjnego Hadoop
• Podstawowe wprowadzenie do analityki Insight, analityki wizualizacyjnej i analityki predykcyjnej dla Telco
• Analityka rezygnacji klientów i Big Data - jak analityka Big Data może zmniejszyć rezygnację klientów i niezadowolenie klientów w Telco - studia przypadków
• Analiza awarii sieci i usług na podstawie metadanych sieciowych i IPDR
• Analiza finansowa - oszustwa, marnotrawstwo i szacowanie ROI na podstawie danych sprzedażowych i operacyjnych
• Problem pozyskiwania klientów - marketing docelowy, segmentacja klientów i sprzedaż krzyżowa na podstawie danych sprzedażowych
• Wprowadzenie i podsumowanie wszystkich produktów analitycznych Big Data i ich miejsca w przestrzeni analitycznej Telco
• Podsumowanie - jak krok po kroku wprowadzić Big Data Business Intelligence w swojej organizacji

Docelowi odbiorcy

• Operacje sieciowe, menedżerowie finansowi, menedżerowie CRM i najlepsi menedżerowie IT w biurze Telco CIO.
• Business Analitycy w Telco
• Menedżerowie/analitycy biura CFO
• Menedżerowie operacyjni
• Menedżerowie QA

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla analityków danych i inżynierów oprogramowania, którzy chcą używać Dask z ekosystemem Python do tworzenia, skalowania i analizowania dużych zbiorów danych.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Skonfiguruj środowisko, aby rozpocząć przetwarzanie dużych zbiorów danych za pomocą Dask i Pythona.
• Zapoznanie się z funkcjami, bibliotekami, narzędziami i interfejsami API dostępnymi w Dask.
• Zrozumienie, w jaki sposób Dask przyspiesza obliczenia równoległe w Pythonie.
• Dowiedz się, jak skalować ekosystem Pythona (Numpy, SciPy i Pandas) przy użyciu Dask.
• Optymalizacja środowiska Dask w celu utrzymania wysokiej wydajności w obsłudze dużych zbiorów danych.

To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu, jest skierowane do developerów i analityków danych na poziomie średnim, którzy chcą podnieść swoje umiejętności w zakresie analizy i manipulacji danych za pomocą Pandas i NumPy.

Na koniec tego szkolenia uczestnicy będą w stanie:

• Uruchomić środowisko rozwojowe, które obejmuje Python, Pandas i NumPy.
• Stworzyć aplikację do analizy danych za pomocą Pandas i NumPy.
• Wykonawać zaawansowane operacje przygotowania danych, sortowania i filtrowania.
• Przeprowadzać operacje agregacji i analizować dane czasowe.
• Wizualizować dane za pomocą Matplotlib i innych bibliotek wizualizacyjnych.
• Debugować i optymalizować swój kod analizy danych.

Big data to zbiory danych, które są tak obszerne i złożone, że tradycyjne aplikacje do przetwarzania danych nie są w stanie sobie z nimi poradzić. Wyzwania związane z dużymi zbiorami danych obejmują przechwytywanie danych, przechowywanie danych, analizę danych, wyszukiwanie, udostępnianie, przesyłanie, wizualizację, zapytania, aktualizację i prywatność informacji.

Ten kurs jest przeznaczony dla profesjonalistów z dziedziny marketingu i sprzedaży, którzy chcą pogłębić swoją wiedzę na temat zastosowań nauki o danych w marketingu/sprzedaży. Kurs dostarcza szczegółowych informacji o różnych technikach nauki o danych stosowanych do „upsale”, „cross-sale”, segmentacji rynku, budowania marki oraz CLV.

Różnice między marketingiem a sprzedażą - w jaki sposób sprzedaż i marketing różnią się między sobą?

W bardzo prostych słowach sprzedaż można określić jako proces skupiony na indywidualnych klientach lub małych grupach. Marketing natomiast kierowany jest do większych grup lub do ogółu społeczeństwa. Marketing obejmuje badania (identyfikacja potrzeb klienta), rozwój produktów (tworzenie innowacyjnych produktów) oraz promocję produktu (przez reklamy) i tworzenie świadomości produktu wśród konsumentów. Dlatego marketing oznacza generowanie potencjalnych klientów. Gdy produkt pojawia się na rynku, zadanie sprzedawcy polega na przekonaniu klienta do zakupu. Sprzedaż oznacza przekształcenie potencjalnych klientów w zakupy i zamówienia, podczas gdy marketing ma na celu dłuższy okres, sprzedaż dotyczy krótkoterminowych celów.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla programistów, którzy chcą korzystać ze stosu FARM (FastAPI, React i MongoDB) do tworzenia dynamicznych, wydajnych i skalowalnych aplikacji internetowych.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

Skonfigurowanie niezbędnego środowiska programistycznego, które integruje FastAPI, React i MongoDB. Zrozumienie kluczowych pojęć, funkcji i zalet stosu FARM. Dowiedz się, jak tworzyć interfejsy API REST za pomocą FastAPI. Dowiedz się, jak projektować interaktywne aplikacje za pomocą React. Rozwijaj, testuj i wdrażaj aplikacje (front-end i back-end) przy użyciu stosu FARM.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla programistów, którzy chcą używać FastAPI z Python do łatwiejszego i szybszego tworzenia, testowania i wdrażania interfejsów API RESTful.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Skonfigurować niezbędne środowisko programistyczne do tworzenia API z wykorzystaniem Python i FastAPI.
• Tworzyć API szybciej i łatwiej, korzystając z biblioteki FastAPI.
• Nauczyć się tworzyć modele danych i schematy oparte na Pydantic i OpenAPI.
• Połączyć API z bazą danych za pomocą SQLAlchemy.
• Zaimplementować zabezpieczenia i uwierzytelnianie w API, korzystając z narzędzi FastAPI.
• Budować obrazy kontenerów i wdrażać API internetowe na serwerze chmurowym.

To szkolenie prowadzone przez instruktora, dostępne online lub stacjonarnie, wprowadza koncepcję wspólnego rozwoju w dziedzinie nauk o danych i demonstruje, jak używać Jupyter do śledzenia i udziału w zespole w "cyklu życia pomysłu obliczeniowego". Przewodzi uczestników przez tworzenie przykładowego projektu z dziedziny nauk o danych opartych na ekosystemie Jupyter.

Po zakończeniu tego szkolenia uczestnicy będą mogli:

• Zainstalować i skonfigurować Jupyter, w tym utworzyć i zintegrować repozytorium zespołu w Git.
• Używać funkcji Jupyter, takich jak rozszerzenia, interaktywne widgety, tryb wieloużytkownika i więcej, aby umożliwić współpracę nad projektem.
• Tworzyć, dzielić się i organizować Jupyter Notebooks z członkami zespołu.
• Wybierać spośród języków Scala, Python, R do pisania i wykonywania kodu na systemach obsługujących duże zbiory danych, takich jak Apache Spark, wszystkie przez interfejs Jupyter.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi i programistów, którzy chcą uczyć się i budować swoją karierę w Data Science za pomocą Kaggle.

Pod koniec tego szkolenia uczestnicy będą mogli:

• Dowiedzieć się o nauce o danych i uczeniu maszynowym.
• Poznaj analitykę danych.
• Dowiedzieć się o Kaggle i jak to działa.

To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu w Polsce, jest skierowane do analityków danych, programistów na poziomie średnim lub przyszłych naukowców danych, którzy chcą zastosować techniki uczenia maszynowego w Python do wyciągania wniosków, robienia prognoz i automatyzacji decyzji opartego na danych.

Po ukończeniu tego kursu uczestnicy będą w stanie:

• Rozumieć i rozróżniać kluczowe paradygmaty uczenia maszynowego.
• Badać techniki przygotowania danych i metryki oceny modeli.
• Zastosować algorytmy uczenia maszynowego do rozwiązywania rzeczywistych problemów danych.
• Używać bibliotek Python oraz notatników Jupyter do praktycznego rozwoju.
• Budować modele do prognozowania, klasyfikacji, rekomendacji i klasyfikacji grupowej.

To prowadzone przez instruktora szkolenie na żywo w Polsce (na miejscu lub zdalnie) jest przeznaczone dla naukowców zajmujących się danymi i programistów, którzy chcą używać Modin do tworzenia i wdrażania równoległych obliczeń z Pandas w celu szybszej analizy danych.

Pod koniec tego szkolenia uczestnicy będą w stanie

• Skonfigurować niezbędne środowisko, aby rozpocząć opracowywanie Pandas przepływów pracy na dużą skalę z Modin.
• Zrozumieć funkcje, architekturę i zalety Modin.
• Znać różnice między Modin, Dask i Ray.
• Szybsze wykonywanie operacji Pandas za pomocą Modin.
• Wdrożenie całego interfejsu API i funkcji Pandas.

Python to język programowania, który zyskał ogromną popularność w branży finansowej. Przyjęty przez największe banki inwestycyjne i fundusze hedgingowe, jest wykorzystywany do tworzenia szerokiej gamy aplikacji finansowych, od podstawowych programów handlowych po systemy zarządzania ryzykiem.

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak używać Python do tworzenia praktycznych aplikacji do rozwiązywania szeregu konkretnych problemów związanych z finansami.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zrozumieć podstawy języka programowania Python
• Pobrać, zainstalować i utrzymywać najlepsze narzędzia programistyczne do tworzenia aplikacji finansowych w Python
• Wybierać i wykorzystywać najbardziej odpowiednie pakiety i techniki programowania Python do organizowania, wizualizacji i analizy danych finansowych z różnych źródeł (CSV, Excel, bazy danych, web, itp.)
• Budować aplikacje rozwiązujące problemy związane z alokacją aktywów, analizą ryzyka, wynikami inwestycji i innymi
• Rozwiązywać problemy, integrować, wdrażać i optymalizować aplikację Python

Uczestnicy

• Programiści
• Analitycy
• Specjaliści od ilościowych metod (Quants)

Format kursu

• Połączenie wykładów, dyskusji, ćwiczeń i intensywnej praktyki

Uwaga

• To szkolenie ma na celu dostarczenie rozwiązań dla niektórych z głównych problemów, z jakimi borykają się profesjonaliści w branży finansowej. Jeśli jednak masz konkretny temat, narzędzie lub technikę, którą chcesz rozwinąć lub doprecyzować, skontaktuj się z nami w celu ustalenia szczegółów.

To szkolenie prowadzone przez instruktora w formie online lub stacjonarnej jest skierowane do naukowców danych i deweloperów, którzy chcą wykorzystać RAPIDS do budowy GPU-przyspieszanych przepływów danych, procesów pracy oraz wizualizacji, stosując algorytmy uczenia maszynowego, takie jak XGBoost, cuML, itd.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Ustawić niezbędne środowisko deweloperskie do budowy modeli danych z NVIDIA RAPIDS.
• Zrozumieć funkcje, składniki i zalety RAPIDS.
• Wykorzystywać GPU do przyspieszania przepływów danych i analiz od początku do końca.
• Wdrażać GPU-przyspieszane przygotowanie danych i ETL z użyciem cuDF i Apache Arrow.
• Nauczyć się wykonywania zadań uczenia maszynowego z użyciem algorytmów XGBoost i cuML.
• Tworzyć wizualizacje danych i wykonywać analizę grafu z użyciem cuXfilter i cuGraph.