PRZEDMIOT

LICZBA GODZIN

ZAGADNIENIA

Wprowadzenie do Big Data

8

Wprowadzenie do dziedziny Big Data oraz definicja podstawowych pojęć.
Generatywna sztuczna inteligencja (AI).

Przedsiębiorstwo oparte na danych - proces transformacji

8

Typy danych w organizacji: operacyjne, analityczne, zewnętrzne.
Podstawy modelowania danych: transakcyjne, nieustrukturyzowane, dimensional model.
Metody wykorzystania danych: analityka i wprowadzenie do uczenia maszynowego.
Kompetencje w organizacji – specjalizacje związane z przetwarzaniem danych – data engineering w tym: streaming, storage, ETL, ELT, data warehousing, data science, MLOps. Specjalizacje pomocnicze: cloud, devops, analityka, modelowanie, analiza biznesowa, UX.
Transformacja organizacji: data adoption, data discovery, podnoszenie kwalifikacji, Machine Learning Discovery.
Platformy przetwarzania danych: ETL i ELT - scenariusze użycia, konteksty technologie; przykłady platform z zastosowaniem narzędzi; sposoby zarządzania platformami.
Domenowe podejście do danych – Prawo Conwaya, wstęp do Domain Driven Design, Data Mesh.

Systemy baz danych. Język SQL

16

Wprowadzenie do relacyjnych baz danych.
Podstawy SQL.

Przygotowanie danych do analizy

16

Podstawowe funkcje programu Excel.
Tabele przestawne.
Power Query - czyszczenie i transformacja danych.
Przygotowanie zbioru danych do analizy.

Algorytmy i modele analityki predykcyjnej przy użyciu Big Data

12

Analiza zbioru danych z wykorzystaniem technik i metod statystyki opisowej.
Algorytmy grupowania.
Klasyfikacja i regresja.

Wprowadzenie do języka Python

28

Wprowadzenie do środowiska pracy w języku Python, zarządzanie pakietami.
Zmienne i podstawowe operatory, operacje wejścia-wyjścia.
Instrukcje warunkowe i iteracyjne.
Struktury danych: listy, słowniki.
Funkcje.
Odczyt/zapis do /z pliku.
Wyjątki
Wprowadzenie do systemów kontroli wersji.
Przygotowanie do certyfikatu Cisco PCAP (Programming Essentials in Python).

Sztuczna inteligencja

12

Czym jest sztuczna inteligencja.
Uczenie maszynowe.
Sieci neuronowe.
Uczenie głębokie.
Uczenie w warunkach niepewności.

Wizualizacja danych Big Data

20

Wprowadzenie do wizualizacji danych. Charakterystyka procesu oraz podstawowych pojęć.
Zasady i dobre praktyki projektowania efektywnych wizualizacji. Typowe błędy i sposoby ich naprawiania. Rozpoznawanie manipulacji z wykorzystaniem wizualizacji.
Projektowanie systemu wskaźników oraz pulpitów.
Zastosowanie Power BI do Wizualizacji danych

Język Python w analizie danych i uczeniu maszynowym

20

Inteligentna analiza i eksploracja danych.
Sztuczne sieci neuronowe.
Rozpoznawanie obrazów.
Przetwarzanie tekstu i mowy.

Bazy i hurtownie danych dla Big Data

28

Wprowadzenie do bazy i hurtownie danych dla Big Data. Podstawowe techniki i narzędzia.
Programowanie rozwiązań z wykorzystaniem Node.js
Wprowadzenie do języka MongoDB.
Zastosowanie wyrażeń regularnych w przetwarzaniu dużych zbiorów danych.
Implementacja algorytmów typu MapReduce.
Alternatywne metody programowania rozwiązań Big Data - SnowFlake.
Klasyfikacja zbiorów danych i badanie jakości danych.
Generowanie raportów na podstawie danych Big Data.

Chmura AWS i bezpieczeństwo danych

16

Tworzenie wirtualnych instancji maszyny oraz magazynu pamięci. Usługa EC2 oraz Amazon S3.
Sposoby dostarczania i wyświetlenia treści z wykorzystaniem różnych usług.
Wykorzystanie pamięci do przechowywania danych trwałych oraz tymczasowych
Podstawowe usługi zapewniające bezpieczeństwo w chmurze.
Monitorowanie usług chmurowych.
Usługi bazy danych w chmurze.

Case study

8

Prezentacja przykładowych rozwiązań stosowanych w firmach zarządzających dużymi zbiorami danych

RAZEM:

192