Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bevezetés a Data Science for Big Data Analytics-be
- Data Science Áttekintés Big Data Áttekintés Adatstruktúrák A Big Data ökoszisztéma mozgatórugói és összetettségei, valamint az analitika új megközelítése Kulcstechnológiák a Big Data adatbányászati folyamatokban és problémákban Asszociációs minta Bányászat Adatklaszterezés Outlier Detektálás Adatok osztályozása
Bevezetés a Data Analytics életciklusába
- Feltárás Adat-előkészítés Modell tervezés Modellépítés Eredmények bemutatása/Communication Operacionalizálási gyakorlat: Esettanulmány
Ettől kezdve a képzési idő nagy részét (80%-át) az R és a kapcsolódó big data technológia példáira és gyakorlataira fordítjuk.
Kezdő lépések R-vel
- Az R nyelvi objektumok R és Rstudio szolgáltatásainak telepítése R Data in R-ben Adatkezelés Big data problémák Gyakorlatok
Kezdő lépések: Hadoop
- Telepítés Hadoop Az Hadoop módok megértése HDFS MapReduce architektúra Hadoop kapcsolódó projektek áttekintése Programok írása az Hadoop MapReduce gyakorlatokban
R és Hadoop integrálása RHadoop-el
- Az RHadoop összetevői Az RHadoop telepítése és csatlakoztatása az Hadoop-hez Az RHadoop Hadoop architektúrája streaming R-vel Adatelemzési problémamegoldás az RHadoop-el Gyakorlatok
Az adatok előfeldolgozása, előkészítése
- Adat-előkészítési lépések Jellemzők kinyerése Adattisztítás Adatintegráció és átalakítás Adatcsökkentés – mintavétel, jellemző részhalmazok kiválasztása, dimenziócsökkentés Diszkretizálás és binning Gyakorlatok és Esettanulmány
Feltáró adatelemzési módszerek az R-ben
- Leíró statisztika Feltáró adatelemzés Vizualizáció – előzetes lépések Egyetlen változó vizualizálása Több változó vizsgálata Statisztikai módszerek az értékeléshez Hipotézisvizsgálat Gyakorlatok és Esettanulmány
Data Visualizations
- Alapvető vizualizációk az R csomagokban adatmegjelenítéshez ggplot2, lattice, plotly, lattice Területek formázása az R-ben Speciális gráfok Gyakorlatok
Regresszió (a jövőbeli értékek becslése)
- Lineáris regresszió Használati esetek Modell leírása Diagnosztika Lineáris regresszióval kapcsolatos problémák Zsugorítási módszerek, gerincregresszió, a lasszó Általánosítások és nemlinearitás Regressziós spline-ok Lokális polinomiális regresszió Általánosított additív modellek Regresszió R-velHadoop Gyakorlatok és Esettanulmány
Osztályozás
- Az osztályozással kapcsolatos problémák Bayes refresher Naív Bayes Logisztikai regresszió K-legközelebbi szomszédok Döntési fák algoritmus Neurális hálózatok Támogató vektorgépek Osztályozók diagnosztikája Osztályozási módszerek összehasonlítása Scala ble osztályozási algoritmusok Gyakorlatok és Esettanulmány
A modell teljesítményének értékelése és kiválasztása
- Elfogultság, szórás és modell komplexitás Pontosság vs értelmezhetőség Osztályozók kiértékelése A modell/algoritmus teljesítményének mértéke Kizárt érvényesítési módszer Keresztellenőrzés Gépi tanulási algoritmusok hangolása caret csomaggal Modell teljesítményének megjelenítése Profit ROC és Lift görbékkel
Együttes módszerek
- Bagging Random Forests Boosting Gradient boosting gyakorlatok és esettanulmány
Támogatja a vektorgépeket az osztályozáshoz és a regresszióhoz
- Maximális árrés osztályozók Támogatja vektorosztályozókat Támogatja a vektorgépeket SVM-ek osztályozási problémákhoz SVM-ek regressziós problémákhoz
Funkciók kiválasztása a klaszterezéshez Reprezentatív alapú algoritmusok: k-középek, k-medoidok Hierarchikus algoritmusok: agglomeratív és osztó módszerek Valószínűségi alapalgoritmusok: EM Sűrűség alapú algoritmusok: DBSCAN, DENCLUE Klaszter validálás Speciális klaszterezési koncepciók R-el és klaszterezéssel
- Kapcsolatok felfedezése a hivatkozáselemzéssel
Linkelemzési koncepciók Hálózatok elemzésének mérőszámai A Pagerank algoritmus Hyperlink-induced Topic Search Link-előrejelzési gyakorlatok és esettanulmány
- Egyesületi mintabányászat
Gyakori mintabányászati modell Scalaképességi problémák a gyakori mintabányászatban Brute Force algoritmusok Apriori algoritmus Az FP növekedési megközelítése A jelölt szabályok értékelése Asszociációs szabályok alkalmazásai Validálás és tesztelés Diagnosztika Asszociációs szabályok R és Hadoop gyakorlatokkal és esettanulmányokkal
- Ajánlómotorok gyártása
Ajánló rendszerek megértése Ajánló rendszerekben használt adatbányászati technikák Ajánló rendszerek ajánlólab csomaggal Ajánló rendszerek kiértékelése Ajánlások RHadoop gyakorlattal Gyakorlat: Ajánlómotor építése
- Szövegelemzés
Szövegelemzés lépései Nyers szöveg összegyűjtése Szavak zsákja Kifejezés gyakoriság – Inverz dokumentumgyakoriság Érzelmek meghatározása Gyakorlatok és esettanulmány
35 Órák
Vélemények (2)
Intensity, Training materials and expertise, Clarity, Excellent communication with Alessandra
Marija Hornis Dmitrovic - Marija Hornis
Kurzus - Data Science for Big Data Analytics
The example and training material were sufficient and made it easy to understand what you are doing.
