Eğitmen der ki;
Günümüzde artık, firmanızın rakiplerine göre rekabet avantajı elde etmesinin güncel yolu, büyük veriye ulaşıp bu veriyi kullanabilmekten geçiyor.
Fortune 500 ‘ün yaptığı araştırmada, IT yatırımı konusunda, Bulut teknolojileri ve Yapay Zeka son 3 yıldır en fazla yatırım yapılan konu.
Siz de şirketinizi geleceğe hazırlamak için, firmanızı büyük veri hakkında yetkin hale getirmelisiniz..
Önerdiğimiz eğitim serisi sayesinde, şirket içerisinde yer alan İş Zekası departmanı çalışanları, yöneticileri, veri yönetim bölümü çalışanları, yazılım geliştiriciler, büyük veri hakkında uçtan uca etkin hale gelecekler. Büyük veri geçiş stratejik planlamasını yapabilecek, şirketinizin yapay zeka araçlarını oluşturmaya başlayabilecekler.
Must-Have Skills for Big Data Practitioners Training
Data Science Boot Camp Eğitimi
Must-Have Skills for Modern Data Modeling
AÇIKLAMA :
Büyük verinin gücünden faydalanmak için kullanılabilecek temel teknikleri ve en iyi uygulamaları kapsayan bu eğitimde büyük veri yolculuğuna nasıl çıkılacağı ve sürdürülebilir bir büyük veri stratejisinin nasıl geliştirileceğini öğreneceksiniz.
Big Data Nedir? Ne İşe Yarar? Neden Big Data Tutmalıyım? Big Datayı Tutarsam Nasıl Analiz etmeliyim? Rapor doğru mu? Big Datamı Nasıl Kullanmalıyım? Nerde Tutmalıyım? gibi uçtan uca tüm sorularının yanıtlarını bulacaksınız.
Ve bu eğitimden sonra şirketinizin için en iyiyi planlamak, geliştirmek ve yürütmek için bir yol haritası çizeceksiniz.
Eğitim ayrıntıları hakkında görüşmek ve eğitim içeriğini şirketinize göre özelleştirebilmek için [email protected] mail adresi üzerinden iletişime geçebilir ve toplantı talebi iletebilirsiniz.
EĞİTİM İÇERİĞİ
Eğitim 1 – Must-Have Skills for Big Data Practitioners Training (4 Gün)
- Gün
Part 1 : Introduction
The Field of Data Science – The Various Data Science Disciplines
The Field of Data Science – Connecting the Data Science Disciplines
The Field of Data Science – The Benefits of Each Discipline
The Field of Data Science – Popular Data Science Techniques
The Field of Data Science – Popular Data Science Tools
The Field of Data Science – Careers in Data Science
The Field of Data Science – Debunking Common Misconceptions
Part 2: Probability
Probability – Combinatorics
Probability – Bayesian Inference
Probability – Distributions+
Probability – Probability in Other Fields
Part 3: Statistics
Statistics – Descriptive Statistics
Statistics – Practical Example: Descriptive Statistics
Statistics – Inferential Statistics Fundamentals
Statistics – Inferential Statistics: Confidence Intervals
Statistics – Practical Example: Inferential Statistics
Statistics – Hypothesis Testing
Statistics – Practical Example: Hypothesis Testing
Part 4: Mathematics
Matrices & Vectors & Tensors
- Gün
Part 5: Introduction to Python
Python – Variables and Data Types
Python – Basic Python Syntax
Python – Other Python Operators
Python – Conditional Statements
Python – Python Functions
Python – Sequences
Python – Iterations
- Gün
Part 6: Deep Learning – Introduction to Neural Networks
Deep Learning – How to Build a Neural Network from Scratch with NumPy
- Gün
Part 7: Data Science With BigData
Hadoop components and architecture
Hadoop configuration, administration, and management
How to use common Hadoop tools
Eğitim 2 -Data Science Boot Camp Eğitimi (2 Gün )
- Gün
Python – Advanced Python Tools
Part 1 : Advanced Statistical Methods in Python
Advanced Statistical Methods – Linear regression with StatsModels
Advanced Statistical Methods – Multiple Linear Regression with StatsModels
Advanced Statistical Methods – Linear Regression with sklearn
Advanced Statistical Methods – Practical Example: Linear Regression
Advanced Statistical Methods – Logistic Regression
Advanced Statistical Methods – Cluster Analysis
Advanced Statistical Methods – K-Means Clustering
Advanced Statistical Methods – Other Types of Clustering
- Gün
Part 2 : Deep Learning
Deep Learning – TensorFlow 2.0: Introduction
Deep Learning – Digging Deeper into NNs: Introducing Deep Neural Networks
Deep Learning – Overfitting
Deep Learning – Initialization
Deep Learning – Digging into Gradient Descent and Learning Rate Schedules
Deep Learning – Preprocessing
Deep Learning – Classifying on the MNIST Dataset
Deep Learning – Business Case Example
Deep Learning – Conclusion
Part 3 : Software Integration and data visualization
Eğitim 3 – Must-Have Skills for Modern Data Modeling ( 3 Gün )
- Gün
Part 1: Data Modeling Concepts
The Data Modeling Life Cycle
Kinds of Data Systems
Data Taxonomy
Data Modeling Framework for BI
Logical Data Models
What to Model
Part 2: Understanding Data Sources
Logical Relational Modeling
Logical Dimensional Modeling
Logical Models and Business Metrics
Logical Models and Business Analytics
Logical Models and Master Data Management
Logical Models and Unstructured Data
Part 3: Implementation Data Models
Data Structure in Transaction Systems
Structural Modeling and Data Integration
Structural Modeling and Business Analytics
Physical Design Overview
Some Optimization Techniques
Physical Design and Implementation
Part 4: Dimensional Data Modelling
Dimensional Modeling Concepts
Dimensional Modeling in Context
Dimensional Modeling Basics
Requirements Gathering for Dimensional Modeling
Business Context for Data Modeling
Business Questions as Requirements Models
Fact/Qualifier Analysis
Logical Dimensional Modeling
Star Schema Dimensions
Star Schema Fact Tables
Star Schema Design Challenges
- Gün
Part 5: Big Data Modelling
5.1 What Is Big Data?
Big Data Opportunities
Technologies
Big Data Challenges
5.2 Data and Models
Models
Modeling for Relational Storage
Modeling for Nonrelational Storage
Complementary Approaches
5.3 Key-Value Stores
Key-Value Stores Defined
Key-Value Data Representation
5.4 Document Stores
Document Stores Defined
Document Data Representation
Use Cases
Examples
5.5 Graph Databases
Graph Databases Defined
Graph Data Representation
Use Cases
Examples
5.6 Embracing Big Data
Big Data in the Enterprise
Managing Big Data Assets
Capture Nonrelational Data
Explore Nonrelational Data
Archive Nonrelational Data
Deploy Nonrelational Data
5.7 Case Studies
- Visualising data on cloud with on-premises Data Model
- Hybrid data mode wiht Data masking / Data federation data model
3.Gün
- Modern DWH Modelling with Azure – WorkshopUsing Data Lakes
Uploading data to Cloud using SSIS
Orchestating Big Data with Azure Data Factory
Visualizing Data With PowerBI
Create an in-memory data model in SQL 2017 Analysis Services
Configuring Data Gateway
Visualsing in-memory data with PowerBI
Diplaying AI capabilities of PowerBI on Azure (Data insight)
Kimler Katılmalı
- İş ve veri analistleri
- Büyük veri sorumlulukları olan veri mühendisleri
- Analitik programı ve proje yöneticileri
- İş Zekası ve analitik mimarları, tasarımcıları ve geliştiricileri
- Analitik veya büyük veri alanında rolü olan herkes
- Hadoop’a meraklı olanlardan aktif bir şekilde uygulanmasıyla ilgilenenlere kadar Hadoop’a ilgi duyan herkes.
Eğitim Özellikleri
- Dersler 0
- Sınavlar 0
- Süre 9 Days
- Yetenek seviyesi All levels
- Dil İngilizce / Türkçe
- Öğrenciler 12
- Başarı Belgesi Hayır
- Değerlendirme Evet