Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Logik för analys av affärsdata
1.1 Allmängiltighet vid användning av uppgifter
1.2 Två exempel – orkaner och kundbeteende
1.3 Datavetenskap, teknik och datadrivet beslutsfattande
1.4 Databehandling och "Big Data"
1,5 Big Data 1,0 till Big Data 2,0
1.6 Data och dataanalys som strategiska tillgångar
1.7 Logik för dataanalys – Sammanfattning
Affärsproblem och lösningar med hjälp av datavetenskap
2.1 Från affärsproblem till datautvinning
2.2 Övervakade och oövervakade metoder
2.3 Datautvinning och dess resultat
2.4 Konsekvenser av att hantera datavetenskapsföretag
2.5 Analytiska tekniker och tekniker
2.6 Sammanfattning
Prediktiv modellering - från korrelation till övervakad segmentering
3.1 Modeller, induktion och prognostisering
3.2 Övervakad segmentering
3.3 Visualisera resultat
3.4 Träd som regelverk
3.5 Uppskattning av sannolikhet
3.6 Fallstudie
3.7 Sammanfattning
Anpassa modellen till data
4.1 Klassificering med hjälp av matematiska funktioner
4.2 Regression
4.3 Klasssannolikhetsskattning och logistisk "regression"
4.4 Icke-linjära funktioner
4.5 Neurala nätverk
4.6 Sammanfattning
Överanpassning och hur man undviker det
5.1 Generalisering
5.2 Övermontering
5.3 Analys av överanpassningsproblemet
5.4 Exempel
5.5 Tekniker för att undvika överanpassning
5.6 Inlärningskurvor
5.7 Kontroll av komplexitet
5.8 Sammanfattning
Likhet, närhet och kluster
6.1 Likhet och avståndsmått
6.2 Omedelbart grannskap och slutledningsregler
6.3 Viktiga tekniker
6.4 Klusteranalys
6.5 Tillämpningar för att lösa affärsproblem
När är en modell bra?
7.1 Klassificerare som används vid modellutvärdering
7.2 Generaliseringar som överskrider klassificeringsgränser
7.3 Analytisk ram
7.4 Exempel på användning av grundläggande utvärderingstekniker
7.5 Sammanfattning
Visualisering av modeller
8.1 Tillämpa rangordningar
8.2 Vinstkurvor
8.3 Mottagarens driftsegenskaper (ROC) kurvor och grafer
8.4 Arean under ROC-kurvan
8.5 Kumulativ respons
8.6 Exempel
8.7 Sammanfattning
Bevis och sannolikheter
9.1 Exempel – Kundfokus
9.2 Probabilistiska beviskombinationer
9.3 Tillämpning av Bayesianska regler
9.4 Bygga modellen
9.5 Exempel på modellapplikation
9.6 Sammanfattning
Representation och textutvinning
10.1 Varför är text viktigt?
10.2 Varför är det svårt att arbeta med text?
10.3 Representation
10.4 Exempel
10.5 Entropi och text
10.6 Det är inte en påse med ord
10.7 Utforskning av meddelanden
10.8 Sammanfattning
Fallstudier inom analytisk teknik
Andra uppgifter och tekniker
12.1 Samtidiga händelser och samband
12.2 Profilering
12.3 Prognostisering av relationer
12.4 Minskning och urval av information
12.5 Förvrängningar, förvrängningar och varians
12.6 Fallstudier
12.7 Sammanfattning
Affärsstrategi och datavetenskap
13.1 Redux
13.2 Uppnå en konkurrensfördel
13.3 Bibehålla övertaget
13.4 Förvärv av resurser
13.5 Nya idéer och utveckling
13.6 Organisationens mognad
Så här utför du projektgranskningar för datavetenskap
Slutsats
Krav
Utbildning Data Science i företagsekonomi riktar sig till flera grupper av människor. För det första riktar den sig till personer från själva verksamheten. De som kommer att arbeta med statistiker och dataanalytiker (data scientists, eller som det ibland kallas i Polen med "data masters"). Mycket ofta kommer dessa personer att hantera projekt som fokuserar på affärsdataanalys eller investera i datavetenskapssatsningar. Utöver denna grupp är utbildningen avsedd för dem som kommer att implementera lösningar med fokus på dataanalys. När det gäller dessa personer handlar det om att presentera en plattform för ömsesidig förståelse med näringslivet, som inte är särskilt intresserat av detaljerna i själva genomförandet. Den tredje gruppen får naturligtvis inte glömmas bort. Om dem som strävar efter att bli en mästare på data.
Träningen är inte träning i algoritmer. Det är inte heller utbildning i specifika big data-system. Separata utbildningskurser ägnas åt dessa ämnen, men utan kunskap om vissa grundläggande begrepp och principiella principer är datavetenskapsprojekt dömda att misslyckas i förväg. Eftersom teknikutvecklingen är mycket snabb skymmer den ofta grunden på vilken lösningar ska byggas, som företag effektivt kan använda.
Utbildningen kräver inga sofistikerade, specialiserade kunskaper inom statistikområdet. Naturligtvis bör du vara medveten om att det material som presenteras under utbildningen till sin natur till viss del är tekniskt till sin natur. Syftet med utbildningen är att göra det möjligt för deltagarna att få en meningsfull förståelse för datavetenskap, inte bara en allmän presentation av området. Trots detta tämligen ambitiösa mål är den matematiska apparaten begränsad till ett absolut nödvändigt minimum. Generellt sett innehåller utbildningen allt som behövs för att förstå och bygga avancerade, databaserade lösningar på affärsproblem.
35 timmar
Vittnesmål (5)
Variationen med övning och visning.
Ida Sjoberg - Swedish National Debt Office
Kurs - Econometrics: Eviews and Risk Simulator
Machine Translated
Många exempel och övningar relaterade till ämnet för utbildningen.
Tomasz - Ministerstwo Zdrowia
Kurs - Advanced R Programming
Machine Translated
the trainer had patience, and was eager to make sure we all understood the topics, the classes were fun to attend
Mamonyane Taoana - Road Safety Department
Kurs - Statistical Analysis using SPSS
Day 1 and Day 2 were really straight forward for me and really enjoyed that experience.
Mareca Sithole - Africa Health Research Institute
Kurs - R Fundamentals
The pace was just right and the relaxed atmosphere made candidates feel at ease to ask questions.
