Formation SMACK Stack for Data Science

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux data scientists et aux développeurs qui souhaitent apprendre et construire leur carrière dans le domaine de la science des données en utilisant Kaggle.

A l'issue de cette formation, les participants seront capables de :

• Apprendre la science des données et l'apprentissage automatique.
• Explorer l'analyse des données.
• Apprendre à connaître Kaggle et son fonctionnement.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux data scientists et aux développeurs qui souhaitent utiliser Modin pour construire et mettre en œuvre des calculs parallèles avec Pandas afin d'accélérer l'analyse des données.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement nécessaire pour commencer à développer Pandas flux de travail à l'échelle avec Modin.
• Comprendre les fonctionnalités, l'architecture et les avantages de Modin.
• Connaître les différences entre Modin, Dask et Ray.
• Exécuter Pandas opérations plus rapidement avec Modin.
• Mettre en œuvre l'ensemble des Pandas API et fonctions.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux data scientists et aux développeurs qui souhaitent utiliser RAPIDS pour construire des pipelines de données accélérés par le GPU, des flux de travail et des visualisations, en appliquant des algorithmes d'apprentissage automatique, tels que XGBoost, cuML, etc.

A l'issue de cette formation, les participants seront capables de :

• Comprendre les caractéristiques, les composants et les avantages de RAPIDS.
Mettre en œuvre la préparation des données et l'ETL accélérés par le GPU avec cuDF et Apache Arrow.
• Apprendre à effectuer des tâches d'apprentissage automatique avec les algorithmes XGBoost et cuML.
• Construire des visualisations de données et exécuter des analyses graphiques avec cuXfilter et cuGraph.

Cette formation dirigée par un instructeur en <loc> ; (en ligne ou sur site) est destinée aux data scientists qui souhaitent utiliser l'écosystème Anaconda pour capturer, gérer et déployer des packages et des workflows d'analyse de données dans une plateforme unique.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer les composants et les bibliothèques d'Anaconda.
• Comprendre les concepts de base, les fonctionnalités et les avantages d'Anaconda.
• Gérer les paquets, les environnements et les canaux à l'aide d'Anaconda Navigator.
• Utiliser Conda, R et Python packages pour la science des données et l'apprentissage automatique.
• Apprendre à connaître des cas d'utilisation pratiques et des techniques pour gérer plusieurs environnements de données.

Dans cette formation en direct, dirigée par un instructeur, les participants apprendront à utiliser Python et Spark ensemble pour analyser les données volumineuses en travaillant sur des exercices pratiques.

A l'issue de cette formation, les participants seront capables de :

• Apprendre à utiliser Spark avec Python pour analyser les Big Data.
• Travailler sur des exercices qui imitent des cas réels.
• Utiliser différents outils et techniques pour l'analyse des Big Data en utilisant PySpark.

Dans cette formation en direct, dirigée par un instructeur, les participants découvriront les offres technologiques et les approches de mise en œuvre pour le traitement des données graphiques. L'objectif est d'identifier les objets du monde réel, leurs caractéristiques et leurs relations, puis de modéliser ces relations et de les traiter en tant que données à l'aide d'une approche Graph Computing (également connue sous le nom de Graph Analytics). Nous commencerons par une vue d'ensemble et nous nous concentrerons sur des outils spécifiques au fil d'une série d'études de cas, d'exercices pratiques et de déploiements en direct.

A l'issue de cette formation, les participants seront capables de :

• Comprendre comment les données des graphes sont persistées et parcourues.
• Sélectionner le meilleur framework pour une tâche donnée (des bases de données de graphes aux frameworks de traitement par lots.)
• Mettre en œuvre Hadoop, Spark, GraphX et Pregel pour effectuer des calculs de graphes sur de nombreuses machines en parallèle.
• Voir les problèmes de big data du monde réel en termes de graphes, de processus et de traversées.

Format du cours

• Les cours magistraux et les discussions sont interactifs.
• De nombreux exercices et de la pratique.
• Mise en œuvre pratique dans un environnement de laboratoire réel.

Options de personnalisation des cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter.

MLlib est la bibliothèque d'apprentissage automatique (ML) de Spark. Son objectif est de rendre l'apprentissage pratique pratique évolutif et facile. Il comprend des algorithmes et des utilitaires d'apprentissage courants, notamment la classification, la régression, la mise en cluster, le filtrage collaboratif, la réduction de la dimensionnalité, ainsi que des primitives d'optimisation de niveau inférieur et des API de pipeline de niveau supérieur.

Il se divise en deux paquets:

• spark.mllib contient l'API d'origine construite sur les RDD.

• spark.ml fournit des API de niveau supérieur construites à partir de DataFrames pour la construction de pipelines ML.

Public

Ce cours s’adresse aux ingénieurs et aux développeurs qui souhaitent utiliser une bibliothèque de machines intégrée à Apache Spark

Il s'agit d'une introduction de 5 jours à Data Science et à l'IA.

Le cours est livré avec des exemples et des exercices utilisant Python

Résumé

Les fournisseurs de services (CSP) sont confrontés à une pression pour réduire les coûts et maximiser le revenu moyen par utilisateur (ARPU), tout en assurant une excellente expérience client, mais les volumes de données continuent de croître. Le trafic mondial de données mobiles va croître à un taux de croissance annuel combiné (CAGR) de 78 % à 2016, atteignant 10,8 exabytes par mois.

Pendant ce temps, les CSP génèrent de grands volumes de données, y compris les enregistrements détaillés des appels (CDR), les données réseau et les données client. Les entreprises qui exploitent pleinement ces données gagnent une limite concurrentielle. Selon une récente enquête de The Economist Intelligence Unit, les entreprises qui utilisent la prise de décision basée sur les données bénéficient d’une augmentation de productivité de 5-6%. Cependant, 53% des entreprises n’utilisent que la moitié de leurs données précieuses, et un quart des répondants a noté que de vastes quantités de données utiles ne sont pas utilisées. Les volumes de données sont si élevés que l'analyse manuelle est impossible, et la plupart des systèmes logiciels héréditaires ne peuvent pas se maintenir, ce qui entraîne que les données précieuses sont déchirées ou ignorées.

Avec Big Data & Analytics’ logiciel de big data à grande vitesse, scalable, les CSPs peuvent miner tous leurs données pour une meilleure prise de décision en moins de temps. Différents Big Data produits et techniques fournissent une plate-forme logicielle end-to-end pour la collecte, la préparation, l'analyse et la présentation d'informations sur les grandes données. Les domaines d'application comprennent la surveillance des performances du réseau, la détection de fraudes, la détection du client et l'analyse du risque de crédit. Big Data & Scale des produits d'analyse pour gérer des terabytes de données mais la mise en œuvre de ces outils nécessite un nouveau type de système de base de données basé sur le cloud comme Hadoop ou un processeur de calcul parallèle à grande échelle (KPU, etc.)

Ce cours travaille sur Big Data BI pour Telco couvre toutes les nouvelles zones émergentes dans lesquelles les CSP investissent pour augmenter la productivité et ouvrir de nouveaux flux de revenus d'affaires. Le cours fournira une vue complète de 360 degrés sur Big Data BI à Telco afin que les décideurs et les gestionnaires puissent avoir un aperçu très large et complet des possibilités de Big Data BI à Telco pour la productivité et l'amélioration des revenus.

Objectifs du cours

L'objectif principal du cours est d'introduire de nouvelles Big Data techniques d'intelligence d'affaires dans 4 secteurs de Telecom Business (Marketing/Ventes, Opération réseau, Opération financière et Relation client Management). Les étudiants seront introduits à suivre :

• Introduction à Big Data-ce qui est 4Vs (volume, vitesse, variété et veracité) dans Big Data- Génération, extraction et gestion de la perspective Telco
• Comment Big Data l'analytique diffère de l'analytique des données d'héritage
• La justification intérieure de la Big Data -Telco perspective
• Introduction à Hadoop Écosystème- familiarité avec tous les Hadoop outils tels que Hive, Pig, SPARC – quand et comment ils sont utilisés pour résoudre Big Data problème
• Comment Big Data est extrait pour l'analyse pour les outils d'analyse-comment Business Analysis’s peuvent réduire leurs points de douleur de collecte et d'analyse des données grâce à une approche intégrée Hadoop de tableau de bord
• Introduction fondamentale de l'analyse Insight, de l'analyse de la visualisation et de l'analyse prédictive pour Telco
• L'analyse client Churn et Big Data-comment Big Data peut réduire l'analyse client Churn et l'insatisfaction des clients dans les études de cas Telco
• Analyse d'échecs réseau et d'échecs de service à partir des méta-data réseau et IPDR
• Analyse financière-fraude, fraude et estimation du ROI à partir des ventes et des données opérationnelles
• Problème d'acquisition client-Marketing cible, segmentation client et cross-sales à partir des données de vente
• Introduction et résumé de tous Big Data produits d'analyse et où ils s'adaptent à l'espace d'analyse Telco
• Conclusion-comment prendre une approche étape par étape pour introduire Big Data Business Intelligence dans votre organisation

Audience cible

• Opération réseau, gestionnaires financiers, gestionnaires CRM et gestionnaires informatiques de premier plan dans le bureau du CIO de Telco.
• Business Analystes à Telco
• Gestionnaire de bureau / analystes
• gestionnaires opérationnels
• Général QA

Les participants qui terminent cette formation acquerront une compréhension pratique et réelle de la science des données et de ses technologies, méthodologies et outils connexes Les participants auront l'occasion de mettre en pratique ces connaissances grâce à des exercices pratiques L'interaction de groupe et la rétroaction des instructeurs constituent une composante importante de la classe Le cours commence par une introduction aux concepts élémentaires de la science des données, puis progresse dans les outils et les méthodologies utilisées dans la science des données Public Développeurs Analystes techniques Consultants informatiques Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson Remarque Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser .

L'explosion de l'information et des données dans le monde d'aujourd'hui est sans précédent, notre capacité à innover et à repousser les limites du possible croît plus rapidement que jamais. Le rôle de Data Scientist est aujourd’hui l’une des compétences les plus demandées dans l’industrie.

Nous offrons bien plus que l’apprentissage par la théorie ; nous fournissons des compétences pratiques et commercialisables qui comblent le fossé entre le monde universitaire et les exigences de l'industrie.

Ce programme de 7 semaines peut être adapté aux besoins spécifiques de votre secteur. Veuillez nous contacter pour plus d'informations ou visiter le site Web du Nobleprog Institute.

Public:

Ce programme s'adresse aux diplômés de troisième cycle ainsi qu'à toute personne possédant les compétences préalables requises qui seront déterminées par une évaluation et un entretien.

Livraison:

La prestation du cours sera un mélange de cours dirigés par un instructeur en classe et dirigés par un instructeur en ligne ; généralement, la 1ère semaine sera « dirigée en classe », les semaines 2 à 6 « en classe virtuelle » et la semaine 7 sera de retour « dirigée en classe ».

 

 

Les données volumineuses sont des ensembles de données si volumineux et complexes qu'un logiciel de traitement de données traditionnel ne permet pas de les traiter. Les défis du Big Data incluent la capture, le stockage, l'analyse, la recherche, le partage, le transfert, la visualisation, l'interrogation, la mise à jour et la confidentialité des informations.

Ce cours est destiné aux Marketing professionnels de la vente qui souhaitent approfondir l'application de la science des données dans Marketing/Ventes. Le cours fournit une couverture détaillée des différentes techniques de science des données utilisées pour la « vente incitative », la « vente croisée », la segmentation du marché, le branding et le CLV.

Différence de Marketing et ventes – En quoi les ventes et le marketing sont-ils différents ?

En termes très simples, les ventes peuvent être décrites comme un processus qui se concentre ou cible des individus ou de petits groupes. Marketing s'adresse en revanche à un groupe plus large ou au grand public. Marketing comprend la recherche (identification des besoins du client), le développement de produits (production de produits innovants) et la promotion du produit (par le biais de publicités) et la sensibilisation au produit auprès des consommateurs. En tant que tel, le marketing signifie générer des prospects ou des prospects. Une fois le produit mis sur le marché, il incombe au vendeur de persuader le client d’acheter le produit. Les ventes consistent à convertir les leads ou les prospects en achats et en commandes, tandis que le marketing vise des termes plus longs, tandis que les ventes concernent des objectifs plus courts.

La science des données est l'application de l'analyse statistique, de l'apprentissage automatique, de la visualisation de données et de la programmation dans le but de comprendre et d'interpréter les données du monde réel F # est un langage de programmation bien adapté pour la science des données car il combine une exécution efficace, REPLscripting, des bibliothèques puissantes et une intégration de données évolutive Dans cette formation en ligne, les participants apprendront comment utiliser F # pour résoudre une série de problèmes de science des données du monde réel À la fin de cette formation, les participants seront en mesure de: Utiliser les progiciels de science des données intégrés de F # Utilisez F # pour interopérer avec d'autres langages et plateformes, y compris Excel, R, Matlab et Python Utilisez le package Deedle pour résoudre les problèmes de séries chronologiques Effectuer une analyse avancée avec des lignes minimales de code de qualité de production Comprendre comment la programmation fonctionnelle est un choix naturel pour les calculs scientifiques et de Big Data Accéder et visualiser les données avec F # Appliquer F # pour l'apprentissage automatique Explorer des solutions à des problèmes dans des domaines tels que la veille stratégique et le jeu social Public Développeurs Les scientifiques de données Format du cours Partie conférence, discussion en partie, exercices et pratique lourde de handson .