Data Science Školení v České republice

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na začátečníky na úrovni profesionálů, kteří chtějí porozumět konceptu předem vyškolených modelů a naučit se je používat k řešení problémů v reálném světě bez vytváření modelů z poškrábat.

Na konci tohoto školení budou účastníci schopni:

• Pochopte koncept a výhody předem vyškolených modelů.
• Prozkoumejte různé předem trénované architektury modelů a jejich případy použití.
• Vylaďte předem trénovaný model pro konkrétní úkoly.
• Implementujte předem trénované modely v jednoduchých projektech strojového učení.

Toto instruktorem vedené, živé školení v České republice (online nebo na místě) je určeno středně pokročilým datovým odborníkům a analytikům, kteří chtějí použít AWS Cloud9 pro optimalizované pracovní postupy v oblasti datových věd.

Na konci tohoto školení budou účastníci schopni:

• Nastavit pracovní prostředí pro datové vědy v AWS Cloud9.
• Provést analýzu dat pomocí Pythonu, R a Jupyter Notebook v Cloud9.
• Integrovat AWS Cloud9 s datovými službami AWS jako S3, RDS a Redshift.
• Využívat AWS Cloud9 pro vývoj a nasazení modelů strojového učení.
• Optimalizovat cloubové pracovní postupy pro analýzu dat a jejich zpracování.

Toto instruktorem vedené živé školení v České republice (online nebo na místě) je zaměřeno na účastníky středně pokročilé úrovně, kteří chtějí automatizovat a spravovat pracovní postupy strojového učení, včetně tréninku modelů, validace a nasazení pomocí Apache Airflow.

Na konci tohoto školení budou účastníci schopni:

• Nastavit Apache Airflow pro orchestraci pracovních postupů strojového učení.
• Automatizovat úkoly předzpracování dat, tréninku modelů a validace.
• Integrovat Airflow s rámci a nástroji pro strojové učení.
• Nasadit modely strojového učení pomocí automatizovaných kanálů.
• Monitorovat a optimalizovat pracovní postupy strojového učení v produkci.

Tato instruktorem vedena živá školení v České republice (online nebo na místě) je určená začínajícím data scientištkám a IT profesionálům, kteří chtějí naučit se základy data science pomocí Google Colab.

Po absolvování tohoto školení budou účastníci schopni:

• Nastavit a orientovat se v Google Colab.
• Psát a spouštět základní Python kód.
• Importovat a spravovat datové soubory.
• Vytvářet vizualizace pomocí Python knihoven.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce a vývojáře, kteří se chtějí učit a budovat svou kariéru v Data Science pomocí Kaggle.

Na konci tohoto školení budou účastníci schopni:

• Přečtěte si o datové vědě a strojovém učení.
• Prozkoumejte analýzu dat.
• Přečtěte si o Kaggle a jak to funguje.

Python je programovací jazyk, který získal obrovskou popularitu v finančním průmyslu. Přijatý největšími investičními bankami a hedge fondy se používá k vytváření širokého spektra finančních aplikací, od základních obchodních programů po systémy řízení rizik.

V tomto vedeném instruktorem živém školení se účastníci naučí používat Python k vývoji praktických aplikací pro řešení mnoha specifických problémů souvisejících s financemi.

Na konci tohoto školení budou účastníci schopni:

• Pochopit základy programovacího jazyka Python
• Stáhnout, nainstalovat a udržovat nejlepší vývojové nástroje pro vytváření finančních aplikací v Pythonu
• Vybrat a využít nejvhodnější balíčky a programovací techniky Pythonu k organizaci, vizualizaci a analýze finančních dat z různých zdrojů (CSV, Excel, databáze, webové stránky atd.)
• Stavět aplikace, které řeší problémy související s alokací aktiv, analýzou rizik, výkonem investic a dalšími aspekty
• Odrážet, integrovat, nasazovat a optimalizovat aplikaci v Pythonu

Cílová skupina

• Vývojáři
• Analytici
• Quants (kvantitativní analytici)

Formát kurzu

• Část přednáška, část diskuse, cvičení a významná praktická práce

Poznámka

• Toto školení má za cíl poskytnout řešení některých hlavních problémů, s kterými se finanční profesionálové setkávají. Pokud máte konkrétní téma, nástroj nebo techniku, kterou byste chtěli přidat nebo podrobněji rozpracovat, prosím, kontaktujte nás pro uspořádání.

Praktický přehled datové vědy a AI pomocí Pythonu – poskytuje odborníkům dovednosti pro práci s daty, vývoj modelů strojového učení a implementaci AI aplikací v podnikovém prostředí; zahrnuje metodiku CRISP-DM, statistickou analýzu, dozorené i nedozorené učení, hluboké učení s frameworkem Tensorflow, zpracování přirozeného jazyka, práci s big data přes Spark a vyprávění příběhů na základě dat; ideální pro začátečníky hledající certifikaci v datové vědě a komplexní školení z analytiky připravené pro kariéru.

Toto živé školení vedené instruktorem v České republice (online nebo na místě) je zaměřeno na datové vědce, kteří chtějí používat ekosystém Anaconda k zachycení, správě a nasazení balíčků a pracovních postupů analýzy dat na jediné platformě.

Na konci tohoto školení budou účastníci schopni:

• Nainstalujte a nakonfigurujte Anaconda komponenty a knihovny.
• Pochopte základní koncepty, funkce a výhody Anaconda.
• Spravujte balíčky, prostředí a kanály pomocí Navigátoru Anaconda.
• Používejte balíčky Conda, R a Python pro datovou vědu a strojové učení.
• Seznamte se s některými praktickými případy použití a technikami pro správu více datových prostředí.

KNIME Analytics Platform je vedoucí open-source možností pro datově odbornou inovaci, která vám pomůže objevit potenciál skrytý ve vašich datech, těžit z nových poznatků nebo předpovědět budoucnost. S více než 1000 moduly, stovkami připravených k použití příkladů, komplexním rozsahem integrovaných nástrojů a nejširší možností pokročilých algoritmů, které jsou dostupné, je KNIME Analytics Platform dokonalým toolboxem pro jakéhokoli datového vědce a business analytika.

Toto kurzy o KNIME Analytics Platformu je ideální příležitost pro začátečníky, pokročilé uživatele a KNIME odborníky, aby seznámili s KNIME, naučili se ho používat efektivněji a vytvářet jasné, komplexní zprávy na základě KNIME workflowů.

Toto instruktorem vedené živé školení (online nebo prezenčně) je zaměřeno na datové odborníky, kteří chtějí použít KNIME pro řešení komplexních obchodních potřeb.

Je určené pro publikum, které nezná programování a zamýšlí využívat moderní nástroje k implementaci analytických scénářů.

Na konci tohoto školení budou účastníci schopni:

• Nainstalovat a nakonfigurovat KNIME.
• Vytvářet scénáře Data Science.
• Trenovat, testovat a ověřovat modely.
• Implementovat celkový datově odborný vývojový cyklus.

Formát kurzu

• Interaktivní přednáška a diskuse.
• Mnoho cvičení a praxe.
• Praktické implementace v živé laboratoři.

Možnosti přizpůsobení kurzu

• Pro požadavek na přizpůsobené školení pro tento kurz nebo pro více informací o tomto programu, kontaktujte nás, abychom vám pomohli s organizací.

Tento instruktorem vedený, živý školení v České republice (online nebo přítomně) je určen pro data analytiky, vývojáře nebo aspirující datové vědce středního úrovně, kteří si přejí používat strojové učení v Pythonu ke získávání inzercí, dělání predikcí a automatizaci data ovládaných rozhodnutí.

Na konci tohoto kurzu budou účastníci schopni:

• Pochopit a rozlišovat klíčové paradigmy strojového učení.
• Zkoumat techniky předzpracování dat a metriky hodnocení modelů.
• Používat algoritmy strojového učení k řešení praktických problémů s daty.
• Pracovat s Python knihovnami a Jupyter notebooky pro praxi.
• Vytvářet modely pro predikci, klasifikaci, doporučování a shlukování.

Tento školení pod vedením instruktora (online nebo na místě) je určený datovým vědcům a vývojářům, kteří chtějí použít RAPIDS pro vytváření GPU-akcelerovaných datových potoků, pracovních postupů a vizualizací s použitím algoritmů strojového učení, jako je XGBoost, cuML atd.

Na konci tohoto školení budou účastníci schopni:

• Nastavit nezbytné vývojové prostředí pro vytváření datových modelů s NVIDIA RAPIDS.
• Pochopit funkce, komponenty a výhody RAPIDS.
• Využít GPU k akceleraci datových a analytických potoků od začátku do konce.
• Implementovat GPU-akcelerovanou přípravu dat a ETL s cuDF a Apache Arrow.
• Naučit se, jak provádět úkoly strojového učení pomocí algoritmů XGBoost a cuML.
• Vytvářet datové vizualizace a provádět grafickou analýzu s cuXfilter a cuGraph.