Kursplan
Introduktion till dataanalys och big data
- Vad gör Big Data till "Big"?
- Hastighet, Volym, Variation, Sanning (FVVS)
- Begränsningar för traditionell databearbetning
- Distribuerad bearbetning
- Statistisk analys
- Typer av maskininlärningsanalys
- Datavisualisering
Big Data-roller och ansvarsområden
- Administratörer
- Utvecklare
- Dataanalytiker
Språk som används för dataanalys
- R-språket
- Varför R för dataanalys?
- Datanhantering, beräkningar och grafiska presentationer
- Python
- Varför Python för dataanalys?
- Hantering, bearbetning, rengöring och analys av data
Tillvägagångssätt till dataanalys
- Statistisk analys
- Tids serieanalys
- Framtidsscenarier med korrelations- och regressionsmodeller
- Inferentiell statistik (skattningar)
- Beskrivande statistik i stora datamängder (t.ex. beräkning av medelvärde)
- Maskininlärning
- Övervakad vs oövervakad inlärning
- Klassificering och klusteranalys
- Skattning av kostnader för specifika metoder
- Filtrering
- Naturgrundsbehandling
- Bearbetning av text
- Förståelse av textens betydelse
- Autogenerering av text
- Känslolägesanalys / ämnesanalys
- Datorseende
- Inhämtning, bearbetning, analys och förståelse av bilder
- Rekonstruktion, tolkning och förståelse av 3D-scener
- Användning av bilddata för beslut
Big Data-infrastruktur
- Datastorage
- Relativa databaser (SQL)
- MySQL
- Postgres
- Oracle
- Orelativa databaser (NoSQL)
- Cassandra
- MongoDB
- Neo4j
- Förstå subtila skillnader
- Hierarkiska databaser
- Objektorienterade databaser
- Dokumentorienterade databaser
- Graforienterade databaser
- Övrigt
- Relativa databaser (SQL)
- Distribuerad bearbetning
- Hadoop
- HDFS som distribuerat filsystem
- MapReduce för distribuerad bearbetning
- Spark
- All-in-one in-memory klusterberäkningsramverk för storskalig databearbetning
- Strukturerat strömningar
- Spark SQL
- Maskininlärningsbibliotek: MLlib
- Grafbearbetning med GraphX
- Hadoop
- Skalbarhet
- Allmän moln
- AWS, Google, Aliyun, etc.
- Privata moln
- OpenStack, Cloud Foundry, etc.
- Automatisk skalning
- Allmän moln
Välja rätt lösning för problemet
Framtiden för Big Data
Sammanfattning och nästa steg
Krav
- Allmänt kunnande i matematik
- Allmänt kunnande i programmering
- Allmänt kunnande i databaser
Målgrupp
- Utvecklare / programmerare
- IT-konsulter
Vittnesmål (7)
Hur stordata fungerar, dataprogram och ökad kunskap om hur vår nuvarande värld fungerar genom att använda data
Ozayr Hussain - Vodacom
Kurs - A Practical Introduction to Data Analysis and Big Data
Maskintolkat
Den praktiska sidan av utbildningen.
Patrick - Vodacom PTy Ltd
Kurs - A Practical Introduction to Data Analysis and Big Data
Maskintolkat
Interaktiva ämnen och föreläsarens stil för att förenkla ämnena för studerandena
Miran Saeed - Sulaymaniyah Asayish Agency
Kurs - A Practical Introduction to Data Analysis and Big Data
Maskintolkat
instruktören och hans förmåga att föreläsa
ibrahim hamakarim - Sulaymaniyah Asayish Agency
Kurs - A Practical Introduction to Data Analysis and Big Data
Maskintolkat
Praktiska övningar
JOEL CHIGADA - University of the Western Cape
Kurs - A Practical Introduction to Data Analysis and Big Data
Maskintolkat
R-programmering
Osden Jokonya - University of the Western Cape
Kurs - A Practical Introduction to Data Analysis and Big Data
Maskintolkat
Overall the Content was good.
Sameer Rohadia
Kurs - A practical introduction to Data Analysis and Big Data
Maskintolkat