RapidMiner for Machine Learning and Predictive Analytics Training Course

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към анализатори на данни на средно ниво, които искат да се научат как да използват RapidMiner за оценка и проектиране на стойности и да използват аналитични инструменти за прогнозиране на времеви редове.

До края на това обучение участниците ще могат:

Научете се да прилагате методологията CRISP-DM, да изберете подходящи алгоритми за машинно обучение и да подобрите изграждането и производителността на модела. Използвайте RapidMiner, за да оцените и проектирате стойности и да използвате аналитични инструменти за прогнозиране на времеви редове.

Преглед

Communication доставчиците на услуги (CSP) се сблъскват с натиск, за да намалят разходите и да максимизират средния доход на потребител (ARPU), като същевременно осигуряват отличен клиентски опит, но обемите на данните продължават да растат. Глобален мобилен трафик на данни ще расте с комбиниран годишен темп на растеж (CAGR) от 78% до 2016 г., достигайки 10,8 екзабит на месец.

Междувременно CSPs генерират големи обеми данни, включително записи за подробности за обаждания (CDR), данни за мрежата и данни за клиентите. Компаниите, които напълно експлоатират тези данни, получават конкурентен ръб. Според неотдавнашно проучване на The Economist Intelligence Unit, компаниите, които използват вземане на решения, насочени към данни, получават 5-6% увеличение на производителността. Въпреки това 53% от компаниите използват само половината от ценните си данни, а една четвърт от анкетираните отбелязват, че огромни количества полезни данни са пропуснати. Обемът на данните е толкова висок, че ръчното анализиране е невъзможно и повечето софтуерни системи могат да се запазят, което води до пренебрегване или пренебрегване на ценни данни.

С Big Data & Analytics’ високоскоростен, скалиращ софтуер за големи данни, CSPs могат да минат всичките си данни за по-добро вземане на решения в по-малко време. Различни Big Data продукти и техники осигуряват крайно-на-крайната софтуерна платформа за събиране, подготовка, анализ и представяне на увид от големите данни. Областите на приложенията включват мониторинг на мрежовата ефективност, откриване на измами, откриване на клиентите и анализ на кредитния риск. Big Data & Продукти за анализ мащаб за обработка на терабити от данни, но изпълнението на такива инструменти изисква нов вид на база данни на облака система като Hadoop или масивен мащаб паралелен компютър процесор ( KPU и т.н.)

Този курс работи върху Big Data BI за Telco обхваща всички възникващи нови области, в които CSP инвестират за увеличаване на производителността и отваряне на нов бизнес поток на приходи. Курсът ще осигури пълен 360 градуса поглед върху Big Data BI в Telco, така че вземащите решения и мениджърите могат да имат много широк и цялостен преглед на възможностите на Big Data BI в Telco за производителност и печалби.

Цели на курса

Основната цел на курса е да се въведат нови Big Data бизнес интелигентни техники в 4 сектори на Telecom Business (Marketing / продажби, мрежови операции, финансови операции и взаимоотношения с клиентите Management). Студентите ще бъдат поканени да следват:

• Въведение в Big Data-което е 4Vs (обем, скорост, разнообразие и вертикалност) в Big Data- Генерация, екстракция и управление от перспектива на Telco
• Как Big Data анализът се различава от наследствения анализ на данните
• Вътрешно оправдание на Big Data -Telco перспектива
• Въведение в Hadoop Екосистема- запознаване с всички Hadoop инструменти като Hive, Pig, SPARC –кога и как те се използват за решаване на проблема Big Data
• Как Big Data е извлечен за анализ за аналитичен инструмент-как Business Analysis’s могат да намалят техните точки на болка на събиране и анализ на данни чрез интегриран Hadoop подход на таблата
• Основно въведение в анализа на Insight, анализа на визуализацията и прогнозната анализа за Telco
• Анализът на клиента и Big Data-как Big Data анализът могат да намалят недоволството на клиента и недоволството на клиента в изследванията на Telco-каса
• Анализ на мрежови неуспехи и сервизни неуспехи от мрежови метаданни и IPDR
• Финансов анализ - измама, измама и оценка на ROI от продажбите и оперативните данни
• Проблеми с закупуването на клиенти-Целена маркетинг, сегментация на клиентите и кръстопродажба от данни за продажбите
• Въведение и обобщение на всички Big Data аналитични продукти и къде се вписват в аналитичното пространство на Telco
• Заключение-как да се вземе стъпка по стъпка подход за въвеждане Big Data Business Intelligence в организацията си

Целенасочена аудитория

• Операция на мрежата, финансови мениджъри, CRM мениджъри и топ ИТ мениджъри в офиса на Telco CIO.
• Business Аналитикуващи в Telco
• Мениджъри / Аналитици на CFO
• Оперативни мениджъри
• КА мениджъри

Публика

Ако се опитвате да разберете смисъла на данните, до които имате достъп, или искате да анализирате неструктурирани данни, налични в мрежата (като Twitter, Linked in и т.н.), този курс е за вас.

Той е насочен най-вече към вземащите решения и хората, които трябва да изберат кои данни си струва да се събират и кои да се анализират.

Не е насочен към хората, които конфигурират решението, но тези хора ще се възползват от общата картина.

Режим на доставка

По време на курса на делегатите ще бъдат представени работещи примери за предимно технологии с отворен код.

Кратки лекции ще бъдат последвани от презентации и прости упражнения от участниците

Използвано съдържание и софтуер

Целият използван софтуер се актуализира при всяко провеждане на курса, така че проверяваме възможно най-новите версии.

Той обхваща процеса от получаване, форматиране, обработка и анализ на данните, за да обясни как да автоматизирате процеса на вземане на решения с машинно обучение.

R е безплатен език за програмиране с отворен код за статистически изчисления, анализ на данни и графики. R се използва от нарастващ брой мениджъри и анализатори на данни в корпорации и академични среди. R има голямо разнообразие от пакети за извличане на данни.

R е безплатен език за програмиране с отворен код за статистически изчисления, анализ на данни и графики. R се използва от нарастващ брой мениджъри и анализатори на данни в корпорации и академични среди. R има голямо разнообразие от пакети за извличане на данни.

Прогностичният анализ е процес на използване на анализ на данни за правене на прогнози за бъдещето. Този процес използва данни заедно с техники за извличане на данни, статистика и машинно обучение, за да създаде прогнозен модел за прогнозиране на бъдещи събития.

В това обучение на живо, водено от инструктор, участниците ще се научат как да използват Matlab за изграждане на предсказуеми модели и да ги прилагат към големи набори от примерни данни, за да предскажат бъдещи събития въз основа на данните.

До края на това обучение участниците ще могат:

Създавайте прогнозни модели за анализиране на модели в исторически и транзакционни данни Използвайте прогнозно моделиране за идентифициране на рискове и възможности Създавайте математически модели, които улавят важни тенденции Използвайте данни от устройства и бизнес системи, за да намалите отпадъците, да спестите време или да намалите разходите

Публика

Разработчици Инженери Експерти в областта

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

Напредъкът в технологиите и нарастващото количество информация променят начина, по който се провежда правоприлагането. Предизвикателствата, които поставя Big Data, са почти толкова плашещи, колкото обещанието на Big Data. Ефективното съхраняване на данни е едно от тези предизвикателства; ефективното му анализиране е друго.

В това обучение на живо, ръководено от инструктор, участниците ще научат нагласата, с която да подходят към Big Data технологиите, да оценят тяхното въздействие върху съществуващите процеси и политики и да внедрят тези технологии с цел идентифициране на престъпна дейност и предотвратяване на престъпления. Ще бъдат разгледани казуси от правоприлагащи организации по целия свят, за да се получи представа за техните подходи за осиновяване, предизвикателства и резултати.

До края на това обучение участниците ще могат:

Комбинирайте Big Data технология с традиционни процеси за събиране на данни, за да сглобите една история по време на разследване Внедрете индустриални решения за съхранение и обработка на големи данни за анализ на данни Подгответе предложение за приемане на най-адекватните инструменти и процеси за разрешаване на подход, управляван от данни криминално разследване

Публика

Специалисти по правоприлагане с технически опит

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

This classroom based training session will contain presentations and computer based examples and case study exercises to undertake.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към технически лица, които желаят да изградят модели за машинно обучение, използвайки алгоритми като GLM, Deep Learning и Random Forest.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте H2O.
• Създавайте модели за машинно обучение, като използвате различни популярни алгоритми.
• Оценявайте модели въз основа на типа данни и бизнес изисквания.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни и анализатори на данни, които желаят да автоматизират, оценяват и управляват прогнозни модели, използвайки възможностите за машинно обучение на DataRobot.

До края на това обучение участниците ще могат:

• Заредете набори от данни в DataRobot, за да анализирате, оцените и проверите качеството на данните.
• Изградете и обучете модели за идентифициране на важни променливи и постигане на целите за прогнозиране.
• Интерпретирайте модели, за да създадете ценни прозрения, които са полезни при вземането на бизнес решения.
• Наблюдавайте и управлявайте модели, за да поддържате оптимизирана производителност на прогнозиране.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към софтуерни професионалисти на средно ниво, които желаят да използват AI и машинно обучение, за да подобрят ефективността и иновациите в разработката на софтуер.

До края на това обучение участниците ще могат:

• Разберете ролята на AI и машинното обучение при автоматизирането на задачите за разработка на софтуер.
• Внедрете AI инструменти за генериране на код, тестове и документация.
• Прилагайте AI техники за оптимизиране на кода, осигуряване на качеството и отстраняване на грешки.
• Интегрирайте AI в каналите DevOps и CI/CD за подобрени стратегии за внедряване.
• Обърнете внимание на етичните съображения и предизвикателствата в софтуерното инженерство с изкуствен интелект.

Това е 5-дневно въведение в Data Science и изкуствения интелект (AI).

Курсът се предоставя с примери и упражнения с помощта на Python

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към търговци, които желаят да използват AI, за да подобрят подобряването на дигиталните маркетингови стратегии чрез ценни прозрения за клиентите.

До края на това обучение участниците ще могат:

• Използвайте AI софтуер, за да подобрите начина, по който марките се свързват с потребителите.
• Използвайте chatbots, за да оптимизирате потребителското изживяване.
• Увеличете производителността и приходите чрез автоматизиране на задачите.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към мениджъри и бизнес лидери, които искат да научат за основите на изкуствения интелект и да управляват AI проекти за своята организация.

До края на това обучение участниците ще могат да разберат AI на техническо ниво и да изготвят стратегия за използване на данните и ресурсите на своята организация за успешно управление на AI проекти.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към инженери, които желаят да програмират и създават роботи чрез основни AI методи.

До края на това обучение участниците ще могат:

• Внедрете филтри (Калман и частици), за да позволите на робота да локализира движещи се обекти в своята среда.
• Внедрете алгоритми за търсене и планиране на движението.
• Внедрете PID контроли, за да регулирате движението на робот в среда.
• Приложете SLAM алгоритми, за да позволите на робот да начертае непозната среда.