RapidMiner for Machine Learning and Predictive Analytics Träningskurs

Översikt

Communications tjänsteleverantörer (CSP) står inför tryck för att minska kostnaderna och maximera genomsnittliga intäkter per användare (ARPU), samtidigt som en utmärkt kundupplevelse säkerställs, men datavolymerna fortsätter att växa. Den globala mobila datatrafiken kommer att växa med en kombinerad årlig tillväxthastighet (CAGR) på 78 procent mot 2016, upp till 10,8 exabytes per månad.

Samtidigt genererar CSPs stora volymer av data, inklusive samtaldetaljer (CDR), nätverksdata och kunddata. Företag som fullt ut utnyttjar dessa data får en konkurrenskraftig marginal. Enligt en ny undersökning av The Economist Intelligence Unit, företag som använder data-driven beslutsfattande njuter av en 5-6% ökning i produktivitet. Men 53% av företagen använder bara hälften av sina värdefulla data, och en fjärdedel av respondenterna noterade att enorma mängder användbara data går oförglömliga. Datavolymerna är så höga att manuell analys är omöjlig, och de flesta legacy mjukvarusystem kan’t behålla, vilket resulterar i värdefulla data som tas bort eller ignoreras.

Med Big Data & Analytics’ höghastighet, skalbar stordata programvara, kan CSPs gruva alla sina data för bättre beslutsfattande på mindre tid. Olika Big Data produkter och tekniker ger en end-to-end programplattform för att samla in, förbereda, analysera och presentera insikter från stora data. Tillämpningsområdena inkluderar nätverksprestandaövervakning, bedrägeridetektion, kundchurndetektion och kreditriskanalys. Big Data & Analytics produkter skala för att hantera terabytes av data men genomförandet av sådana verktyg kräver en ny typ av molnbaserad databassystem som Hadoop eller massiv skala parallell dataprocessor (KPU etc.)

Denna kurs arbetar på Big Data BI för Telco täcker alla framväxande nya områden där CSP investerar för produktivitetsökning och öppnar nya affärsinkomster. Kursen kommer att ge en komplett 360-grad överblick av Big Data BI i Telco så att beslutsfattare och chefer kan ha en mycket bred och omfattande översikt över möjligheter Big Data BI i Telco för produktivitet och inkomstvinster.

Kursens mål

Huvudsyftet med kursen är att introducera nya Big Data affärsintelligence tekniker i 4 sektorer av Telecom Business (Marketing/Sales, Network Operation, Financial Operation och Customer Relation Management). Studenter kommer att introduceras till att följa:

• Introduktion till Big Data-vad är 4Vs (volym, hastighet, variation och sannolikhet) i Big Data- Generation, utvinning och hantering från Telco perspektiv
• Hur Big Data analytik skiljer sig från arvdata analytik
• In-house motivering av Big Data -Telco perspektiv
• Introduktion till Hadoop Ecosystem- bekantskap med alla Hadoop verktyg som Hive, Pig, SPARC –när och hur de används för att lösa Big Data problem
• Hur Big Data extraheras för analys för analysverktyg-hur Business Analysis’s kan minska sina smärtspunkter av insamling och analys av data genom integrerad Hadoop dashboardmetod
• Grundläggande introduktion av Insight-analys, visualiseringsanalys och prediktiv analys för Telco
• Customer Churn analytics och Big Data-how Big Data analytics kan minska kundchurn och kund missnöje i Telco-case studier
• Analys av nätverksfel och servicefel från nätverksmetadata och IPDR
• Finansiell analys - bedrägeri, vassage och ROI-bedömning från försäljning och operativa data
• Kundens förvärvsproblem-Targetmarknadsföring, kundsegmentering och cross-sales från försäljningsdata
• Introduktion och sammanfattning av alla Big Data analytiska produkter och var de passar i Telco analytiska utrymme
• Slutsats-hur man tar steg för steg tillvägagångssätt för att introducera Big Data Business Intelligence i din organisation

Målgrupp

• Nätverksoperationer, finansiella chefer, CRM-chefer och topp IT-chefer i Telco CIO-kontoret.
• Business Analytiker i Telco
• CFO kontorsledare/analytiker
• Operativa chefer
• QA ledare

I den här instruktörsledda, liveutbildningen i Sverige kommer deltagarna att lära sig det tankesätt som krävs för att närma sig Big Data teknologier, bedöma deras påverkan på befintliga processer och policyer, samt implementera dessa teknologier i syfte att identifiera brottslig aktivitet och förebygga brott. Fallstudier från brottsbekämpande myndigheter över hela världen kommer att granskas för att få insikter om deras antagande, utmaningar och resultat.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Kombinera Big Data teknik med traditionella datainsamlingprocesser för att sammanfoga en berättelse under en utredning.
• Implementera industriella lösningar för lagring och bearbetning av storskaliga data för dataanalys.
• Förbereda ett förslag för antagandet av de mest adekvata verktygen och processerna för att möjliggöra en datadriven strategi för kriminalutredning.

Publik

Om du försöker skapa mening med de data du har tillgång till eller vill analysera ostrukturerade data som finns tillgängliga på nätet (som Twitter, Länkade in osv ...) är den här kursen för dig.

Det riktar sig mest till beslutsfattare och människor som behöver välja vilka data som är värda att samla in och vad som är värt att analysera.

Det är inte riktat till personer som konfigurerar lösningen, men dessa människor kommer dock att dra nytta av den stora bilden.

Leveransläge

Under kursen kommer delegaterna att presenteras med fungerande exempel på mestadels open source-teknik.

Korta föreläsningar följs av presentation och enkla övningar av deltagarna

Innehåll och programvara som används

All mjukvara som används uppdateras varje gång kursen körs, så vi kontrollerar de senaste versionerna som möjligt.

Det täcker processen från att skaffa, formatera, bearbeta och analysera data, för att förklara hur man automatiserar beslutsfattande med maskininlärning.

Denna instruktörsledda, liveträning i Sverige (online eller på plats) riktar sig till datavetare och dataanalytiker som vill automatisera, utvärdera och hantera prediktiva modeller med hjälp av DataRobot:s maskininlärningsfunktioner.

I slutet av denna utbildning kommer deltagarna att kunna:

• Läs in datauppsättningar i DataRobot för att analysera, utvärdera och kvalitetskontrollera data.
• Skapa och träna modeller för att identifiera viktiga variabler och uppfylla förutsägelsemål.
• Tolka modeller för att skapa värdefulla insikter som är användbara för att fatta affärsbeslut.
• Övervaka och hantera modeller för att upprätthålla en optimerad förutsägelseprestanda.

Denna instruktörledda, live-träning i Sverige (online eller på plats) riktar sig till utvecklare på medelnivå som vill bygga AI-drivna applikationer med hjälp av prediktiv analys och generativa modeller.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Förstå grunderna i prediktiv AI och generativa modeller.
• Utnyttja AI-drivna verktyg för prediktiv kodning, prognoser och automation.
• Implementera LLM:er (Large Language Models) och transformatorer för text- och kodgenerering.
• Tillämpa tidsserieförutsägelser och AI-baserade rekommendationer.
• Utveckla och finslipa AI-modeller för tillämpningar i den verkliga världen.
• Utvärdera etiska hänsyn och branschstandarder vid AI-implementering.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till IT-proffs på nybörjarnivå som vill förstå grunderna i Predictive AI.

I slutet av denna utbildning kommer deltagarna att kunna:

• Förstå de viktigaste begreppen för prediktiv AI och dess tillämpningar.
• Samla in, rensa och förbearbeta data för prediktiv analys.
• Utforska och visualisera data för att få insikter.
• Bygg grundläggande statistiska modeller för att göra förutsägelser.
• Utvärdera prestanda för prediktiva modeller.
• Tillämpa prediktiva AI-begrepp på verkliga scenarier.

R är ett open source-fritt programmeringsspråk för statistisk databehandling, dataanalys och grafik R används av ett växande antal chefer och dataanalyser inom företag och akademi R har ett brett utbud av paket för data mining .

Prediktiv analys är processen att använda dataanalys för att göra förutsägelser om framtiden. Den här processen använder data tillsammans med datautvinning, statistik och maskininlärningstekniker för att skapa en prediktiv modell för att förutsäga framtida händelser.

I denna instruktörsledda, liveträning kommer deltagarna att lära sig hur man använder Matlab för att bygga prediktiva modeller och tillämpa dem på stora provdatamängder för att förutsäga framtida händelser baserat på data.

I slutet av denna utbildning kommer deltagarna att kunna:

• Skapa prediktiva modeller för att analysera mönster i historiska data och transaktionsdata
• Använd prediktiv modellering för att identifiera risker och möjligheter
• Bygg matematiska modeller som fångar viktiga trender
• Använd data från enheter och affärssystem för att minska slöseri, spara tid eller minska kostnaderna

Publik

• Utvecklare
• Ingenjörer
• Domän experter

Kursens upplägg

• Delvis föreläsning, delvis diskussion, övningar och tung praktisk övning

Denna instruktörsledda, live-utbildning i Sverige (online eller på plats) riktar sig till yrkesverksamma på mellannivå DevOps som vill integrera prediktiv AI i sina DevOps metoder.

I slutet av denna utbildning kommer deltagarna att kunna:

• Implementera modeller för förutsägelseanalys för att prognostisera och lösa utmaningar i pipelinen DevOps.
• Använd AI-drivna verktyg för förbättrad övervakning och drift.
• Tillämpa maskininlärningstekniker för att förbättra arbetsflöden för programvaruleverans.
• Utforma AI-strategier för proaktiv problemlösning och optimering.
• Navigera i de etiska övervägandena för att använda AI i DevOps.

R är ett open source-fritt programmeringsspråk för statistisk databehandling, dataanalys och grafik R används av ett växande antal chefer och dataanalyser inom företag och akademi R har ett brett utbud av paket för data mining .

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till dataanalytiker på mellannivå som vill lära sig att använda RapidMiner för att uppskatta och projicera värden och använda analysverktyg för tidsserieprognoser.

I slutet av denna utbildning kommer deltagarna att kunna:

• Lär dig att tillämpa CRISP-DM-metodiken, välja lämpliga maskininlärningsalgoritmer och förbättra modellkonstruktion och prestanda.
• Använd RapidMiner för att uppskatta och projicera värden och använda analysverktyg för tidsserieprognoser.