Мы используем cookie для стабильной работы сервиса. Подробнее

Основы работы с большими данными (Data Science)

4.3
ФорматОнлайн
Длительность16 ак. ч. + 16 ак. ч. самостоятельно
Объём8 занятий
О курсе

Подробнее

Обучение проходит на последней версии Excel 2024, офис 365 В процессе деятельности любая компания постоянно ищет новые способы развития: оптимизирует производство, улучшает бизнес-процессы, увеличивает вложения в рекламу и маркетинг, повышает уровень сервиса. Но если успехи компании сходят на нет, зачастую сложно понять, что именно идет не так и почему. Есть область, ресурсы которой еще не исчерпаны – это Data Science. Накопленные в компании данные, полученные из разных источников, таят в себе огромный потенциал. Грамотный анализ больших объемов разнородных данных (Big Data), выведение скрытых закономерностей приводят аналитиков порой к неожиданным открытиям и выводам. Оперируя этими сведениями, можно вывести свою компанию в лидеры рынка. Сегодня существуют две относительно хорошо изученные концепции Data Lake (озеро данных) и Data Warehouse (хранилище данных), и одна относительно новая - Data Lakehouse (озеро-хранилище данных), которая объединяет две первые концепции. Этот курс – введение в сложную и многогранную область науки по работе с большими данными – Data Science. Вопросы, на которые вы получите ответы: Что представляет собой Data Science и как она связана с большими данными (Big Data)? Как «приложить» Data Science к вашему бизнесу и нужно ли? Какие данные можно использовать для анализа? Где именно искать и какие результаты ожидать? Для кого этот курс? Руководители компаний и подразделений Линейные менеджеры Бизнес-аналитики Разработчики Другие сотрудники, вовлеченные в аналитическую деятельность компании Что даст вам прохождение курса? Вы поймете, как подготовить компанию и сотрудников к практическому применению больших данных (Big Data) и ИИ инструментов (помощников) в работе. Вы сможете повысить эффективность принятия решений за счет грамотного сбора, структурирования и применения современных техник анализа больших данных (Big Data), применения фокусированного промптинга. от данных к мудрости в принятии решений! Вы получите представление о классах задач и применимых методах, и выберете Ваш путь в мире ИИ помощников и средств машинного обучения и анализа больших данных! В курсе рассматриваются вопросы: источники информации: структурированные и неструктурированные; стандартный межотраслевой процесс анализа данных CRISP-DM; основные характеристики больших данных и способы их анализа; Понятие «озер данных» (data lake) и обзор инструментария элементы классификации данных и машинного обучения; основы статистического анализа, построение регрессионных зависимостей; визуализация «больших данных»; обзор классов задач, решаемых инструментами машинного обучения и ИИ: распознавание образов, звуков, текста, прогностика, анализ соцсетей; Понятия больших, малых и микро-языковых моделей (LLM,SLM,MLM); обзор математических инструментов решения: нейронные сети, графы, нечеткие и К-значные логики; GPT (генеративные) системы; обзор прикладных инструментов, включая ИИ помощники; Обзор инструментов разработки «без кода» (nocode) специальности в области «больших данных» и формирование команд: аналитики данных, «ученые по данным», программисты по «большим данным», менеджеры по «большим данным» (CDO); >методы реорганизации работы компании при применении анализа «больших данных». Спешите записаться на наш курс «Основы работы с большими данными (Data Science)», чтобы освоить Big Data и вывести свою компанию в лидеры! Обучение проходит на основе национальных стандартов: ГОСТ Р 59276-2020 «Системы искусственного интеллекта. Способы обеспечения доверия. Общие положения» и ГОСТ Р 59277-2020 «Системы искусственного интеллекта. Классификация систем искусственного интеллекта».
Результат

Что вы получите

  • определять источники сбора информации и формировать требования к ним;
  • применять стандартный CRISP-DM процесс для Вашей организации;
  • подбирать команду для работы с большими данными (Big Data);
  • выбирать инструментарий для практической работы;
  • применять специализированные инструмент «Пакет анализа данных»;
  • применять «дерево решений»;
  • определять подходящие инструменты и методы для решения основных классов задач машинного обучения и взаимодействовать с разработчиками;
  • использовать методы классификации данных для машинного обучения;
  • подбирать выборки разработки, тестовую и обучающую для достижения наилучших результатов анализа информации;
  • работать с nocode инструментом (на примере одного инструмента);
  • вырабатывать требования, подбирать и использовать ИИ помощников (ассистентов).
Содержание

Программа курса

8 занятий
ТемаЧто внутри
01Модуль 1. Область применения больших данных. Типовые задачи  (1 ак. ч.)

Цели курса Определение основных понятий История науки о данных Выгоды от работы с большими данными Типовые задачи: прогноз продаж, производства, спроса. Анализ поведения. Распознавание образов. Экспертные системы.

02Модуль 2. Сбор и подготовка исходных данных. Методика CRISP-DM  (2 ак. ч.)

С чего начать. Межотраслевая стандартная методика работы с данными CRISP-DM. Описательное и ассоциативное исследование исходных данных. Сегментирование и очистка данных (slice and dice). «Озера данных» (Data lakes). Отличия озер данных от структурированных хранилищ. Обзор инструментария. Практическая работа. Сегментировать и очистить тестовый набор данных.

03Модуль 3. Задачи численного прогнозирования. Понятие машинного обучения. Корреляция. Регрессионный анализ.  (2 ак. ч.)

Виды распределений. Постановка задачи оценки взаимосвязи между различными факторами и построение прогноза. Корреляция. Коэффициент Пирсона. Критерий Стьюдента (T-анализ). Основы машинного обучения. Регрессионный анализ. Практическая работа. Определить наличие корреляции и регрессионную зависимость между двумя выборками данных. Практическая работа. Определить статистические характеристики выборки данных. Обзор прикладных средств работы с данными.

04Модуль 4. Задачи классификации и распознавания образов, видео, речи, текста. Понятие нейронных сетей. Примеры применения  (3 ак. ч.)

Задача сегментации дискретных данных на примере задач распознавания (графика, речь, текст). Нейронные сети как инструмент решения задач классификации. Разбиение на выборки (обучающую, тестовую, проверочную). Анализ ошибок обучения. Базис и отклонения. Ручная корректировка. Демонстрация источников библиотек и no-code. Опциональная практика. Работа с nocode приложением.

05Модуль 5. GPT нейросети. глубокое машинное обучение, искусственный интеллект. Помощники и агенты  (3 ак. ч.)

Понятие Deep Machine Learning. Генеративные (GPT) сети. Конкурентное обучение. Понятия больших, малых и микро-моделей (LLM, SLM, MLM). ИИ помощники – общего назначения и специализированные. ИИ помощники (ассистенты) и ИИ агенты. Фокусированный промптинг. Диалог с ИИ помощником (ассистентом). Практическая работа. Взаимодействие с ИИ помощником.

06Модуль 6. Задачи построения маршрутов (логистика, соцсети, телеком). Задача прогнозирования поведения пользователя. Понятие графов  (3 ак. ч.)

Задачи классификации данных в социальных сетях и поиска оптимального решения (маршрута). Графы как инструмент решения задач на социальных, логистических, телекоммуникационных графах и прогнозирования поведения. Дерево решений. Практическая работа: провести классификацию набора данных и его разбиение на сегменты.

07Модуль 7. Обработка естественного языка. Нечеткие множества  (1 ак. ч.)

Понятия естественного языка и нечетких логик. Многофакторный бизнес-анализ на примере нечетких логик.

08Модуль 8. Профориентация по специальностям и в Data Science  (1 ак. ч.)

Роли специалистов по DS: аналитик данных, ученый по данным, программист, цифровой директор. Требования к компетенциям. Состав и требования к проектной команде для DS.

01Модуль 1. Область применения больших данных. Типовые задачи  (1 ак. ч.)

Цели курса Определение основных понятий История науки о данных Выгоды от работы с большими данными Типовые задачи: прогноз продаж, производства, спроса. Анализ поведения. Распознавание образов. Экспертные системы.

02Модуль 2. Сбор и подготовка исходных данных. Методика CRISP-DM  (2 ак. ч.)

С чего начать. Межотраслевая стандартная методика работы с данными CRISP-DM. Описательное и ассоциативное исследование исходных данных. Сегментирование и очистка данных (slice and dice). «Озера данных» (Data lakes). Отличия озер данных от структурированных хранилищ. Обзор инструментария. Практическая работа. Сегментировать и очистить тестовый набор данных.

03Модуль 3. Задачи численного прогнозирования. Понятие машинного обучения. Корреляция. Регрессионный анализ.  (2 ак. ч.)

Виды распределений. Постановка задачи оценки взаимосвязи между различными факторами и построение прогноза. Корреляция. Коэффициент Пирсона. Критерий Стьюдента (T-анализ). Основы машинного обучения. Регрессионный анализ. Практическая работа. Определить наличие корреляции и регрессионную зависимость между двумя выборками данных. Практическая работа. Определить статистические характеристики выборки данных. Обзор прикладных средств работы с данными.

04Модуль 4. Задачи классификации и распознавания образов, видео, речи, текста. Понятие нейронных сетей. Примеры применения  (3 ак. ч.)

Задача сегментации дискретных данных на примере задач распознавания (графика, речь, текст). Нейронные сети как инструмент решения задач классификации. Разбиение на выборки (обучающую, тестовую, проверочную). Анализ ошибок обучения. Базис и отклонения. Ручная корректировка. Демонстрация источников библиотек и no-code. Опциональная практика. Работа с nocode приложением.

05Модуль 5. GPT нейросети. глубокое машинное обучение, искусственный интеллект. Помощники и агенты  (3 ак. ч.)

Понятие Deep Machine Learning. Генеративные (GPT) сети. Конкурентное обучение. Понятия больших, малых и микро-моделей (LLM, SLM, MLM). ИИ помощники – общего назначения и специализированные. ИИ помощники (ассистенты) и ИИ агенты. Фокусированный промптинг. Диалог с ИИ помощником (ассистентом). Практическая работа. Взаимодействие с ИИ помощником.

06Модуль 6. Задачи построения маршрутов (логистика, соцсети, телеком). Задача прогнозирования поведения пользователя. Понятие графов  (3 ак. ч.)

Задачи классификации данных в социальных сетях и поиска оптимального решения (маршрута). Графы как инструмент решения задач на социальных, логистических, телекоммуникационных графах и прогнозирования поведения. Дерево решений. Практическая работа: провести классификацию набора данных и его разбиение на сегменты.

07Модуль 7. Обработка естественного языка. Нечеткие множества  (1 ак. ч.)

Понятия естественного языка и нечетких логик. Многофакторный бизнес-анализ на примере нечетких логик.

08Модуль 8. Профориентация по специальностям и в Data Science  (1 ак. ч.)

Роли специалистов по DS: аналитик данных, ученый по данным, программист, цифровой директор. Требования к компетенциям. Состав и требования к проектной команде для DS.

Организатор

Автор курса

СпециалистСпециалист
Ведущий компьютерный учебный центр России с высочайшим уровнем качества обучения, сервиса и организации учебного процесса Лучший учебный центр авторизованный Microsoft в России, Центральной и Восточной Европе в 2011-2014 гг Центр «Специалист» — первый в России авторизованный учебный центр по обучению Adobe — Adobe Authorised Training Centre Крупнейший авторизованный учебный центр ведущих IT-компаний мира С 2012 г. Центр «Специалист» входит в «Круг совершенства EC-Council»
Подробнее об авторе
Мнения учеников

Отзывы о курсе

Оставьте отзыв

Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.

Напишите ваш коментарий, не менее 30 символов

Нажимая кнопку, вы даете согласие на обработку персональных данных

Оставьте заявку

Консультант ответит на вопросы о курсе «Основы работы с большими данными (Data Science)» и поможет разобраться в деталях обучения.

Комментарий ...

Нажимая кнопку, вы даете согласие на обработку персональных данных

Направления:Data science

Информация обновлена 28 июля 2026 г.

Продолжить выбор

Похожие курсы

Начать без затрат

Бесплатные курсы