Data Scientist з ITIL® 4 Foundation в управлінні ІТ-сервісами та PRINCE2® 7 Foundation в управлінні проектами

Основи бізнес-аналітики (близько 2 днів)

Сфери застосування, виміри архітектури BI

Основи бізнес-аналітики, OLAP, OLTP, завдання інженерів даних

Сховища даних (DWH): обробка структурованих, напівструктурованих та неструктурованих даних

Управління вимогами (приблизно 2 дні)

Завдання, цілі та процедури в аналізі вимог

Моделювання даних, введення/моделювання за допомогою ERM

Введення / моделювання в UML

- Діаграми класів

- Аналіз варіантів використання

- Діаграми діяльності

Штучний інтелект (ШІ) в робочому процесі

Презентація конкретних технологій ШІ

та можливих застосувань у професійному середовищі

Бази даних (близько 3 днів)

Основи систем управління базами даних

Архітектура систем управління базами даних

Застосування СКБД

Реалізація моделі даних в СКБД, нормальні форми

Практичний та теоретичний вступ до SQL

Обмеження реляційних баз даних, csv, json

Сховище даних (приблизно 4 дні)

Зіркова схема

Моделювання даних

Створення зоряної схеми в СКБД

Схема "сніжинка", основи, моделювання даних

Створення схеми "сніжинка" в СКБД

Схема галактики: основи, моделювання даних

Повільно змінні розмірності типів 1-5 - переформулювання, укладання, реорганізація, міні-розмірність та тип 5

Вступ до нормальних, причинно-наслідкових, міні- та монстр-вимірів, гетерогенних та під-вимірів

Порівняння орієнтованих на стан і на транзакцію

Таблиці фактів DWH, щільність та зберігання

ETL (близько 4 днів)

Очищення даних

- Нульові значення

- Підготовка даних

- Гармонізація даних

- Застосування регулярних виразів

Розуміння даних

- Перевірка даних

- Статистичний аналіз даних

Захист даних, безпека даних

Практична структура ETL маршрутів

Data Vault 2.0, основи, хаби, лінки, сателіти, хеш-ключ, хеш-диф.

Моделювання даних у Data Vault

Практична структура моделі Data Vault - Raw Vault, практична реалізація хеш-процедур

Робота над проектом (близько 5 днів)

Закріплення вивченого матеріалу

Презентація результатів проекту

Вступ до аналізу даних (приблизно 1 день)

Еталонна модель CRISP-DM

Робочі процеси аналізу даних

Визначення штучного інтелекту, машинного навчання, глибокого навчання

Вимоги та роль в компанії інженерів даних, науковців даних та аналітиків даних

Огляд основ Python (приблизно 1 день)

типи даних

Функції

Аналіз даних (близько 3 днів)

Модулі Central Python в контексті аналізу даних (NumPy, Pandas)

Процес підготовки даних

Алгоритми інтелектуального аналізу даних на Python

Штучний інтелект (ШІ) в робочому процесі

Презентація конкретних технологій ШІ

та можливих застосувань у професійному середовищі

Візуалізація даних (близько 3 днів)

Розвідувальний аналіз даних

інсайти

Якість даних

Аналіз переваг

Візуалізація за допомогою Python: Matplotlib, Seaborn, Plotly Express

Сторітелінг даних

Управління даними (близько 2 днів)

Архітектури великих даних

Реляційні бази даних з SQL

Порівняння SQL та NoSQL баз даних

Бізнес-аналітика

Захист даних в контексті аналізу даних

Аналіз даних в контексті великих даних (приблизно 1 день)

Підхід MapReduce

Spark

NoSQL

Дашборди (приблизно 3 дні)

Бібліотека: Dash

Структура дашбордів - Компоненти Dash

Налаштування дашбордів

Зворотні дзвінки

Text Mining (близько 1 дня)

Попередня обробка даних

Візуалізація

Бібліотека: SpaCy

Робота над проектом (близько 5 днів)

Закріплення вивченого матеріалу

Презентація результатів проекту

Вступ до машинного навчання (близько 5 днів)

Чому машинне навчання?

Приклади застосування

Навчання під контролем, навчання без контролю, частково контрольоване навчання, навчання з підкріпленням

Приклади наборів даних

Знайомство з даними

Навчальні, валідаційні та тестові дані

Перегляд даних

Прогнозування

Навчання під наглядом (приблизно 5 днів)

Класифікація та регресія

Узагальнення, надмірна та недостатня підгонка

Розмір набору даних

Алгоритми для керованого навчання

Лінійні моделі

Байєсівські класифікатори

Дерева рішень

Випадковий ліс

Градієнтний бустінг

k-найближчих сусідів

Машини опорних векторів

Умовне випадкове поле

Нейронні мережі та глибоке навчання

Ймовірності

Самостійне навчання (близько 5 днів)

Типи самостійного навчання

Попередня обробка та масштабування

Перетворення даних

Масштабування навчальних і тестових даних

Зменшення розмірності

Інженерія особливостей

Навчання на множині

Декомпозиція головних компонент (PCA)

Невід'ємна матрична факторизація (NMF)

Навчання на множині з t-SNE

Кластерний аналіз

Кластеризація k-середніх

Агломеративна кластеризація

Ієрархічний кластерний аналіз

DBSCAN

Кластерні алгоритми

Оцінка та вдосконалення (приблизно 2 дні)

Вибір моделі та оцінка моделі

Налаштування гіперпараметрів оцінювача

Перехресна перевірка

Пошук по сітці

Метрики оцінки

Класифікація

Робота над проектом (близько 3 днів)

Закріплення вивченого матеріалу

Презентація результатів проекту

Вступ до глибокого навчання (приблизно 1 день)

Глибинне навчання як різновид машинного навчання

Основи нейронних мереж (близько 4 днів)

Персептрон

Розрахунок нейронних мереж

Оптимізація параметрів моделі, регресія

Бібліотеки глибокого навчання

Регресія проти класифікації

Криві навчання, перенавчання та регуляризація

Гіперпараметрична оптимізація

Стохастичний градієнтний спуск (SGD)

Momentum, Adam Optimiser

Швидкість навчання

Згорткова нейронна мережа (CNN) (приблизно 2 дні)

Класифікація зображень

Згорткові шари, об'єднання шарів

Переформування шарів, згладжування, глобальне середнє об'єднання

Архітектури CNN ImageNet-Competition

Глибокі нейронні мережі, зникаючі градієнти, пропуск зв'язків, пакетна нормалізація

Трансферне навчання (приблизно 1 день)

Адаптація моделей

Попереднє навчання без нагляду

Доповнення даних зображення, зрозумілий ШІ

Регіональний CNN (приблизно 1 день)

Локалізація об'єктів

Регресійні задачі

Розгалужені нейронні мережі

Методи створення креативного іміджу (близько 1 дня)

Генеративні мережі суперництва (GAN)

Deepfakes

Дифузійні моделі

Рекурентні нейронні мережі (приблизно 2 дні)

Аналіз послідовностей

Рекурентні шари

Поширення в часі (BPTT)

Аналіз часових рядів

Проблеми градієнта, що вибухає та зникає

LSTM (Довга короткочасна пам'ять)

GRU (Gated Recurrent Unit)

Глибокий RNN

Deep LSTM

Обробка тексту за допомогою нейронних мереж (близько 2 днів)

Попередня обробка тексту

Вбудовування шарів

Класифікація тексту

Аналіз настрою

Трансферне навчання в NLP

Переклади

Метод "від послідовності до послідовності", архітектура кодер-декодер

Мовні моделі (приблизно 1 день)

BERT, GPT

Шари уваги, трансформатори

Конвеєри генерації тексту

Підсумовування

чат-боти

Навчання з глибоким підкріпленням (приблизно 1 день)

Управління динамічними системами

Агентні системи

Навчання через винагороду

Градієнти політики

Глибоке Q-навчання

Байєсівські нейронні мережі (приблизно 1 день)

Невизначеності в нейронних мережах

Статистична оцінка прогнозів

Достовірність, середньоквадратичне відхилення

Незбалансовані дані

Методи вибірки

Робота над проектом (близько 3 днів)

Закріплення вивченого матеріалу

Презентація результатів проекту

Розуміння ключових концепцій управління ІТ-сервісами (приблизно 2 дні)

Вступ до концепції сервісу

Кваліфікаційна схема ITIL

Визначення важливих термінів в управлінні ІТ-сервісами ITSM

Ключові концепції створення цінності через послуги

Ключові концепції управління взаємовідносинами

Основні концептуальні будівельні блоки ITIL® (приблизно 2 дні)

Керівні принципи ITIL® Керівні принципи

Тип, використання і взаємодія керівних принципів

Чотири виміри управління послугами

Системи цінності послуг ITIL® (SVS) та її компоненти

Ланцюжок створення цінності послуги, його види діяльності та їх взаємодія

Штучний інтелект (ШІ) в робочому процесі

Презентація конкретних технологій ШІ

та можливих застосувань у професійному середовищі

Практики ITIL® (приблизно 3 дні)

Сім найважливіших практик ITIL® Практики

Мета інших восьми практик ITIL® Практик

Робота над проектом, підготовка до сертифікації та сертифікаційний іспит (близько 3 днів)

ITIL® є зареєстрованою торговою маркою AXELOS Limited, яка використовується з дозволу AXELOS Limited. Всі права захищені.

Вступ до управління проектами на основі PRINCE2® (приблизно 1 день)

Визначення та характеристики проекту

Цикл управління проектами та шість вимірів проекту

Проблеми в управлінні проектами - чому проекти провалюються?

Переваги методу управління проектами PRINCE2®

Середовище клієнт-постачальник

Проекти в комерційному середовищі

Структура методу PRINCE2® та його п'ять інтегрованих будівельних блоків

Основні принципи PRINCE2® (приблизно 1 день)

Сім основних принципів PRINCE2®

Формулювання та зміст основних принципів

Взаємозв'язок між основними принципами і темами PRINCE2

Адаптація PRINCE2® до проектного середовища

Штучний інтелект (ШІ) в робочому процесі

Презентація конкретних технологій ШІ

та можливих застосувань у професійному середовищі

Важливість людей для проектів PRINCE2® (приблизно 1 день)

Управління змінами

Лідерство та управління

Комунікація в проекті

Сім тем PRINCE2® (приблизно 3 дні)

Бізнес-кейс (підхід до управління вигодами та підхід до управління стійкістю)

Організація (структура проекту, ролі та обов'язки)

Створення планів

Планування якості та контроль якості

Управління ризиками

Управління проблемами

Контроль за ходом виконання проекту

Сім процесів PRINCE2® (приблизно 2 дні)

Взаємодія семи процесів PRINCE2® в проектному процесі

Діяльність у відповідних процесах PRINCE2®

Підготовка, управління та ініціювання проекту

Контроль фази

Управління постачанням продукту

Управління фазовими переходами

Закриття проекту

Проектна робота, підготовка до сертифікації та сертифікаційний іспит (приблизно 2 дні)

PRINCE2® є зареєстрованою торговою маркою AXELOS Limited, що використовується з дозволу AXELOS Limited. Всі права захищені.