Data Scientist с ITIL® 4 Foundation in IT Service Management и PRINCE2® 7 Foundation in Project Management

Основы бизнес-аналитики (около 2 дней)

Области применения, аспекты архитектуры BI

Основы бизнес-аналитики, OLAP, OLTP, задачи инженеров по данным

Хранилище данных (DWH): обработка структурированных, полуструктурированных и неструктурированных данных

Управление требованиями (около 2 дней)

Задачи, цели и процедуры анализа требований

Моделирование данных, введение/моделирование с помощью ERM

Введение/моделирование в UML

- Диаграммы классов

- Анализ сценариев использования

- Диаграммы деятельности

Искусственный интеллект (ИИ) в рабочем процессе

Презентация конкретных технологий ИИ

и возможного применения в профессиональной среде

Базы данных (около 3 дней)

Основы систем баз данных

Архитектура систем управления базами данных

Применение РСУБД

Реализация модели данных в РСУБД, нормальные формы

Практическое и теоретическое введение в SQL

Пределы реляционных баз данных, csv, json

Хранилище данных (около 4 дней)

Звездная схема

Моделирование данных

Создание Star Schema в RDBMS

Схема "Снежинка", основы, моделирование данных

Создание схемы Snowflake Schema в RDBMS

Galaxy Schema: основы, моделирование данных

Медленное изменение таблиц размерностей типов 1-5 - перестроение, штабелирование, реорганизация, мини-размерность и тип 5

Введение в обычные, причинные, мини- и монструозные, гетерогенные и суб-измерения

Сравнение ориентации на состояние и на транзакции

Таблицы фактов DWH, плотность и хранение

ETL (около 4 дней)

Очистка данных

- Нулевые значения

- Подготовка данных

- Согласование данных

- Применение регулярных выражений

Понимание данных

- Проверка данных

- Статистический анализ данных

Защита данных, безопасность данных

Практическая структура ETL-маршрутов

Data Vault 2.0, основы, концентраторы, связи, спутники, хэш-ключ, хэш-диф.

Моделирование данных в Data Vault

Практическая структура модели Data Vault - Raw Vault, практическая реализация хэш-процедур

Работа над проектом (около 5 дней)

Закрепление изученного материала

Презентация результатов проекта

Введение в анализ данных (около 1 дня)

Эталонная модель CRISP-DM

Рабочие процессы анализа данных

Определение искусственного интеллекта, машинного обучения, глубокого обучения

Требования и роль в компании инженеров по данным, data scientist и data analysts

Обзор основ Python (около 1 дня)

типы данных

Функции

Анализ данных (около 3 дней)

Центральные модули Python в контексте аналитики данных (NumPy, Pandas)

Процесс подготовки данных

Алгоритмы интеллектуального анализа данных на Python

Искусственный интеллект (ИИ) в рабочем процессе

Презентация конкретных технологий ИИ

и возможного применения в профессиональной среде

Визуализация данных (около 3 дней)

Эксплоративный анализ данных

понимание

Качество данных

Анализ преимуществ

Визуализация с помощью Python: Matplotlib, Seaborn, Plotly Express

Рассказ о данных

Управление данными (около 2 дней)

Архитектуры больших данных

Реляционные базы данных и SQL

Сравнение баз данных SQL и NoSQL

Бизнес-аналитика

Защита данных в контексте анализа данных

Анализ данных в контексте больших данных (около 1 дня)

Подход MapReduce

Spark

NoSQL

Приборные панели (около 3 дней)

Библиотека: Dash

Структура приборных панелей - компоненты Dash

Настройка дашбордов

Обратные вызовы

Текстовый майнинг (около 1 дня)

Предварительная обработка данных

Визуализация

Библиотека: SpaCy

Работа над проектом (около 5 дней)

Закрепление изученного материала

Презентация результатов проекта

Введение в машинное обучение (около 5 дней)

Зачем нужно машинное обучение?

Примеры применения

Контролируемое обучение, неконтролируемое обучение, частично контролируемое обучение, обучение с подкреплением

Примеры наборов данных

Знакомство с данными

Обучающие, проверочные и тестовые данные

Просмотр данных

Составление прогнозов

Контролируемое обучение (около 5 дней)

Классификация и регрессия

Обобщение, чрезмерная и недостаточная подгонка

Размер набора данных

Алгоритмы для контролируемого обучения

Линейные модели

Классификаторы Байеса

Деревья решений

Случайный лес

Градиентный бустинг

k-nearest neighbours

Векторные машины с поддержкой

Условное случайное поле

Нейронные сети и глубокое обучение

Вероятности

Неконтролируемое обучение (около 5 дней)

Типы неконтролируемого обучения

Предварительная обработка и масштабирование

Преобразование данных

Масштабирование обучающих и тестовых данных

Уменьшение размерности

Разработка признаков

Манифольд-обучение

Декомпозиция главных компонент (PCA)

Факторизация неотрицательных матриц (NMF)

Манифольд-обучение с t-SNE

Кластерный анализ

Кластеризация k-Means

Агломеративная кластеризация

Иерархический кластерный анализ

DBSCAN

Кластерные алгоритмы

Оценка и совершенствование (около 2 дней)

Выбор модели и оценка модели

Настройка гиперпараметров оценщика

Кросс-валидация

Поиск по сетке

Метрики оценки

Классификация

Работа над проектом (около 3 дней)

Закрепление изученного материала

Презентация результатов проекта

Введение в глубокое обучение (около 1 дня)

Глубокое обучение как разновидность машинного обучения

Основы нейронных сетей (около 4 дней)

Перцептрон

Расчет нейронных сетей

Оптимизация параметров модели, обратное распространение

Библиотеки глубокого обучения

Регрессия против классификации

Кривые обучения, перебор и регуляризация

Оптимизация гиперпараметров

Стохастический градиентный спуск (SGD)

Момент, оптимизатор Адама

Скорость обучения

Конволюционная нейронная сеть (CNN) (около 2 дней)

Классификация изображений

Конволюционные слои, объединяющие слои

Перестраивающие слои, сглаживание, объединение глобальных средних

Архитектуры CNN ImageNet-Competition

Глубокие нейронные сети, исчезающие градиенты, пропуск связей, пакетная нормализация

Трансферное обучение (около 1 дня)

Адаптация моделей

Предварительное обучение без контроля

Расширение данных изображений, объяснимый ИИ

Региональный CNN (около 1 дня)

Локализация объектов

Проблемы регрессии

Разветвленные нейронные сети

Методы творческой генерации изображений (около 1 дня)

Генеративные адверсарные сети (GAN)

Глубокие подделки

Диффузионные модели

Рекуррентные нейронные сети (около 2 дней)

Анализ последовательностей

Рекуррентные слои

Обратное распространение во времени (BPTT)

Анализ временных рядов

Проблемы разрыва и исчезающего градиента

LSTM (Long Short-Term Memory)

GRU (Gated Recurrent Unit)

Глубокий RNN

Глубокий LSTM

Обработка текста с помощью нейронных сетей (около 2 дней)

Предварительная обработка текста

Встраивание слоев

Классификация текста

Анализ смыслового содержания

Трансферное обучение в НЛП

Переводы

Метод последовательности в последовательность, архитектура кодера-декодера

Языковые модели (около 1 дня)

BERT, GPT

Слои внимания, трансформаторы

Конвейеры генерации текста

Суммирование

чатботы

Глубокое обучение с подкреплением (около 1 дня)

Управление динамическими системами

Агентские системы

Обучение через вознаграждение

Градиенты политики

Глубокое Q-обучение

Байесовские нейронные сети (около 1 дня)

Неопределенности в нейронных сетях

Статистическая оценка прогнозов

Доверие, стандартное отклонение

Несбалансированные данные

Методы выборки

Работа над проектом (около 3 дней)

Закрепление изученного материала

Презентация результатов проекта

Понимание ключевых концепций управления ИТ-услугами (около 2 дней)

Введение в концепцию сервиса

Квалификационная схема ITIL®

Определение важных терминов в управлении ИТ-услугами ITSM

Ключевые концепции создания ценности с помощью услуг

Ключевые концепции управления взаимоотношениями

Основные концептуальные строительные блоки ITIL® (около 2 дней)

Руководящие принципы ITIL®

Виды, использование и взаимодействие руководящих принципов

Четыре измерения управления услугами

Система ценности услуг ITIL® (SVS) и ее компоненты

Цепочка создания ценности услуг, ее виды деятельности и их взаимодействие

Искусственный интеллект (ИИ) в рабочем процессе

Презентация конкретных технологий ИИ

и возможного применения в профессиональной среде

Практики ITIL® (около 3 дней)

Семь наиболее важных практик ITIL®

Назначение остальных восьми практик ITIL®

Работа над проектом, подготовка к сертификации и сертификационный экзамен (около 3 дней)

ITIL® является зарегистрированной торговой маркой AXELOS Limited, используется с разрешения AXELOS Limited. Все права защищены.

Введение в управление проектами на основе PRINCE2® (около 1 дня)

Определение и характеристики проекта

Цикл управления проектом и шесть измерений проекта

Проблемы в управлении проектами - почему проекты терпят неудачу?

Преимущества метода управления проектами PRINCE2®

Среда заказчик-поставщик

Проекты в коммерческой среде

Структура метода PRINCE2® и его пять интегрированных строительных блоков

Основные принципы PRINCE2® (около 1 дня)

Семь основных принципов PRINCE2®

Формулировки и содержание основных принципов

Взаимосвязь между основными принципами и темами PRINCE2®

Адаптация PRINCE2® к условиям проекта

Искусственный интеллект (ИИ) в рабочем процессе

Презентация конкретных технологий ИИ

и возможного применения в профессиональной среде

Важность людей для проектов PRINCE2® (около 1 дня)

Управление изменениями

Лидерство и управление

Коммуникации в проекте

Семь тем PRINCE2® (около 3 дней)

Бизнес-кейс (подход к управлению выгодами и подход к управлению устойчивостью)

Организация (структура проекта, роли и обязанности)

Создание планов

Планирование качества и контроль качества

Управление рисками

Управление проблемами

Контроль хода выполнения проекта

Семь процессов PRINCE2® (около 2 дней)

Взаимодействие семи процессов PRINCE2® в процессе реализации проекта

Виды деятельности в соответствующих процессах PRINCE2®

Подготовка, руководство и инициирование проекта

Управление этапом

Управление поставкой продукта

Управление переходами между фазами

Закрытие проекта

Работа над проектом, подготовка к сертификации и сертификационный экзамен (около 2 дней)

PRINCE2® является зарегистрированной торговой маркой компании AXELOS Limited и используется с разрешения AXELOS Limited. Все права защищены.