A Practical Introduction to Data Science

• Ogólne zrozumienie koncepcji baz danych
• Podstawowe zrozumienie statystyki

Uczestnicy, którzy ukończą to szkolenie, zdobędą praktyczne, rzeczywiste zrozumienie Data Science i powiązanych z nim technologii, metodologii i narzędzi.

Uczestnicy będą mieli okazję wykorzystać tę wiedzę w praktyce poprzez praktyczne ćwiczenia. Interakcja w grupie i informacje zwrotne od instruktora stanowią ważny element zajęć.

Kurs rozpoczyna się od wprowadzenia do podstawowych pojęć Data Science, a następnie przechodzi do narzędzi i metodologii stosowanych w Data Science.

Publiczność

• Deweloperzy
• Analitycy techniczni
• Konsultanci IT

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Uwaga

• Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.

Wprowadzenie

• Proces Data Science
• Role i obowiązki analityka danych

Przygotowanie środowiska programistycznego

• Biblioteki, frameworki, języki i narzędzia
• Rozwój lokalny
• Wspólny rozwój oparty na sieci

Gromadzenie danych

• Różne rodzaje danych
  • Ustrukturyzowane
    • Lokalne bazy danych
    • Złącza Database
    • Popularne formaty: xlxs, XML, Json, csv, ...
  • Niestrukturalne
    • Kliknięcia, cenzury, smartfony
    • Interfejsy API
    • Internet of Things (IoT)
    • Dokumenty, zdjęcia, filmy, dźwięki
• Studium przypadku: Ciągłe gromadzenie dużych ilości nieustrukturyzowanych danych

Przechowywanie danych

• Relacyjne bazy danych
• Nierelacyjne bazy danych
• Hadoop: Rozproszony system plików (HDFS)
• Spark: Odporny rozproszony zbiór danych (RDD)
• Przechowywanie danych w chmurze

Przygotowanie danych

• Pozyskiwanie, selekcja, oczyszczanie i przekształcanie danych
• Zapewnienie jakości danych - poprawności, znaczenia i bezpieczeństwa
• Raporty o wyjątkach

Languages używane do przygotowywania, przetwarzania i analizy danych

• Język R
  • Wprowadzenie do języka R
  • Manipulacja danymi, obliczenia i wyświetlanie graficzne
• Python
  • Wprowadzenie do Python
  • Manipulowanie, przetwarzanie, czyszczenie i przetwarzanie danych

Analiza danych

• Analiza eksploracyjna
  • Podstawowe statystyki
  • Wstępne wizualizacje
  • Zrozumienie danych
• Przyczynowość
• Funkcje i przekształcenia
• Machine Learning
  • Nadzorowane vs nienadzorowane
  • Kiedy używać jakiego modelu
• Natural Language Processing (NLP)

Data Visualization

• Najlepsze praktyki
• Wybór odpowiedniego wykresu dla odpowiednich danych
• Palety kolorów
• Przenoszenie na wyższy poziom
  • Pulpity nawigacyjne
  • Interaktywne wizualizacje
• Opowiadanie historii za pomocą danych

Podsumowanie i wnioski