Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към учени и разработчици на данни, които желаят да учат и изградят кариерата си в Data Science с помощта на Kaggle.

До края на това обучение участниците ще могат:

• Научете за науката за данните и машинното обучение.
• Разгледайте анализа на данни.
• Научете за Kaggle и как работи.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни и разработчици, които желаят да използват Modin за изграждане и прилагане на паралелни изчисления с Pandas за по-бърз анализ на данни.

До края на това обучение участниците ще могат:

• Настройте необходимата среда, за да започнете да разработвате Pandas работни потоци в мащаб с Modin.
• Разберете характеристиките, архитектурата и предимствата на Modin.
• Познайте разликите между Modin, Dask и Ray.
• Изпълнете Pandas операции по-бързо с Modin.
• Внедрете целия Pandas API и функции.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към учени и разработчици на данни, които желаят да използват RAPIDS за изграждане на GPU-ускорени канали за данни, работни потоци и визуализации, прилагайки алгоритми за машинно обучение, като XGBoost, cuML и др.

До края на това обучение участниците ще могат:

• Настройте необходимата среда за разработка за изграждане на модели на данни с NVIDIA RAPIDS.
• Разберете характеристиките, компонентите и предимствата на RAPIDS.
• Използвайте GPU за ускоряване на тръбопроводите за данни и анализи от край до край.
• Внедрете GPU-ускорена подготовка на данни и ETL с cuDF и Apache Arrow.
• Научете как да изпълнявате задачи за машинно обучение с алгоритми XGBoost и cuML.
• Изградете визуализации на данни и изпълнете анализ на графики с cuXfilter и cuGraph.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към специалисти по данни, които желаят да използват екосистемата Anaconda за улавяне, управление и внедряване на пакети и работни процеси за анализ на данни в една платформа.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Anaconda компоненти и библиотеки.
• Разберете основните концепции, функции и предимства на Anaconda.
• Управлявайте пакети, среди и канали с помощта на Anaconda Навигатор.
• Използвайте пакети Conda, R и Python за наука за данни и машинно обучение.
• Запознайте се с някои практически случаи и техники за управление на множество среди с данни.

В това водено от инструктор обучение на живо в България участниците ще се научат как да използват Python и Spark заедно, за да анализират големи данни, докато работят върху практически упражнения.

До края на това обучение участниците ще могат:

• Научете как да използвате Spark с Python за анализ на Big Data.
• Работете върху упражнения, които имитират случаи от реалния свят.
• Използвайте различни инструменти и техники за анализ на големи данни, използвайки PySpark.

В това водено от инструктор обучение на живо в България участниците ще научат за технологичните предложения и подходите за внедряване за обработка на графични данни. Целта е да се идентифицират обекти от реалния свят, техните характеристики и взаимоотношения, след това да се моделират тези взаимоотношения и да се обработят като данни с помощта на Graph Computing (известен също като Graph Analytics) подход. Започваме с широк преглед и се ограничаваме до конкретни инструменти, докато преминаваме през поредица от казуси, практически упражнения и внедрявания на живо.

До края на това обучение участниците ще могат:

• Разберете как данните от графиката се поддържат и преминават.
• Изберете най-добрата рамка за дадена задача (от бази данни с графики до рамки за пакетна обработка.)
• Приложете Hadoop, Spark, GraphX и Pregel за извършване на графични изчисления в много машини паралелно.
• Вижте реални проблеми с големи данни от гледна точка на графики, процеси и обхождания.

Този курс е предназначен за разработчици и специалисти по данни, които искат да разберат и внедрят изкуствения интелект в своите приложения. Специален фокус е върху анализа на данни, разпределения изкуствен интелект и обработката на естествен език.

MLlib е библиотеката за машинно обучение (ML) на Spark. Целта му е да направи практическото машинно обучение мащабируемо и лесно. Състои се от общи алгоритми и помощни програми за обучение, включително класификация, регресия, клъстериране, съвместно филтриране, намаляване на размерността, както и примитиви за оптимизация от по-ниско ниво и приложни програмни интерфейси за конвейер от по-високо ниво.

Разделя се на два пакета:

spark.mllib съдържа оригиналния API, изграден върху RDD. spark.ml предоставя API от по-високо ниво, изграден върху DataFrames за конструиране на ML тръбопроводи.

Публика

Този курс е насочен към инженери и разработчици, които искат да използват вградена машинна библиотека за Apache Spark

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 специалисти по данни и анализатори на средно ниво, които желаят да използват AWS Cloud9 за рационализирани работни процеси в областта на науката за данни.

До края на това обучение участниците ще могат:

• Настройте среда за наука за данни в AWS Cloud9.
• Извършвайте анализ на данни с помощта на Python, R и Jupyter Notebook в Cloud9.
• Интегрирайте AWS Cloud9 с услуги за данни на AWS като S3, RDS и Redshift.
• Използвайте AWS Cloud9 за разработка и внедряване на модел за машинно обучение.
• Оптимизирайте базираните на облак работни процеси за анализ и обработка на данни.

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

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към начинаещи учени по данни и ИТ специалисти, които желаят да научат основите на науката за данни с помощта на Google Colab.

До края на това обучение участниците ще могат:

• Настройте и навигирайте Google Colab.
• Напишете и изпълнете основен Python код.
• Импортирайте и обработвайте набори от данни.
• Създавайте визуализации с помощта на Python библиотеки.

Участниците, които завършат това обучение, ще придобият практическо, реално разбиране за Data Science и свързаните с него технологии, методологии и инструменти.

Участниците ще имат възможност да приложат тези знания на практика чрез практически упражнения. Груповото взаимодействие и обратната връзка с инструктора са важен компонент на класа.

Курсът започва с въведение в елементарните концепции на Data Science, след което преминава към инструментите и методологиите, използвани в Data Science.

Публика

Разработчици Технически анализатори ИТ консултанти

Формат на курса

Част лекция, част дискусия, упражнения и тежка практическа практика

Забележка

За да поискате персонализирано обучение за този курс, моля свържете се с нас, за да уговорим.

Експлозията от информация и данни в днешния свят е несравнима, способността ни да правим иновации и да прекрачваме границите на възможното нараства по-бързо от всякога. Ролята на Data Scientist е едно от най-търсените умения в индустрията днес.

Ние предлагаме много повече от обучение чрез теория; ние предоставяме практически, продаваеми умения, които преодоляват пропастта между света на академичните среди и изискванията на индустрията.

Тази 7-седмична учебна програма може да бъде съобразена с вашите специфични изисквания на индустрията, моля свържете се с нас за допълнителна информация или посетете уебсайта на Nobleprog Institute

Публика:

Тази програма е насочена към висшисти, както и към всеки с необходимите предварителни умения, които ще бъдат определени чрез оценка и интервю.

Доставка:

Предоставянето на курса ще бъде комбинация от класна стая, водена от инструктор, и онлайн водена от инструктор; обикновено първата седмица ще бъде „водена от класна стая“, седмици 2 – 6 „виртуална класна стая“ и седмица 7 обратно към „водена от класна стая“.

Големите данни са набори от данни, които са толкова обемни и сложни, че традиционният приложен софтуер за обработка на данни е неадекватен да се справи с тях. Предизвикателствата с големи данни включват улавяне на данни, съхранение на данни, анализ на данни, търсене, споделяне, трансфер, визуализация, заявки, актуализиране и поверителност на информацията.