| | |
| | Wprowadzenie do dziedziny Big Data oraz definicja podstawowych pojęć.
Generatywna sztuczna inteligencja (AI). |
Przedsiębiorstwo oparte na danych - proces transformacji | | 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 | | Wprowadzenie do relacyjnych baz danych.
Podstawy SQL. |
Przygotowanie danych do analizy | | 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 | | Analiza zbioru danych z wykorzystaniem technik i metod statystyki opisowej.
Algorytmy grupowania.
Klasyfikacja i regresja. |
Wprowadzenie do języka Python | | 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). |
| | Czym jest sztuczna inteligencja.
Uczenie maszynowe.
Sieci neuronowe.
Uczenie głębokie.
Uczenie w warunkach niepewności. |
Wizualizacja danych Big Data | | 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 | | Inteligentna analiza i eksploracja danych.
Sztuczne sieci neuronowe.
Rozpoznawanie obrazów.
Przetwarzanie tekstu i mowy. |
Bazy i hurtownie danych dla Big Data | | 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 | | 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. |
| | Prezentacja przykładowych rozwiązań stosowanych w firmach zarządzających dużymi zbiorami danych |
| | |