RapidMiner για Μηχανική Μάθηση και Prognostic Analytics Κομμάτι εκπαίδευσης

Συνοπτική

Οι πάροχοι υπηρεσιών (CSP) αντιμετωπίζουν πίεση για να μειώσουν το κόστος και να μεγιστοποιήσουν το μέσο εισόδημα ανά χρήστη (ARPU), διασφαλίζοντας παράλληλα μια εξαιρετική εμπειρία πελατών, αλλά οι όγκοι δεδομένων συνεχίζουν να αυξάνονται. Η παγκόσμια κυκλοφορία κινητών δεδομένων θα αυξηθεί με συνδεδεμένο ετήσιο ρυθμό ανάπτυξης (CAGR) 78 τοις εκατό έως το 2016, φτάνοντας τα 10,8 exabytes το μήνα.

Εν τω μεταξύ, οι CSPs παράγουν μεγάλους όγκους δεδομένων, συμπεριλαμβανομένων των αρχείων λεπτομέρειων κλήσης (CDR), των δεδομένων δικτύου και των δεδομένων πελατών. Οι εταιρείες που εκμεταλλεύονται πλήρως αυτά τα δεδομένα κερδίζουν ένα ανταγωνιστικό όριο. Σύμφωνα με πρόσφατη έρευνα της Economist Intelligence Unit, οι εταιρείες που χρησιμοποιούν την λήψη αποφάσεων με βάση τα δεδομένα απολαμβάνουν αύξηση της παραγωγικότητας κατά 5-6%. Εντούτοις, το 53% των εταιρειών χρησιμοποιεί μόνο το ήμισυ των πολύτιμων δεδομένων τους και το ένα τέταρτο των ερωτηθέντων παρατήρησε ότι τεράστιες ποσότητες χρήσιμων δεδομένων δεν καταγράφονται. Οι όγκοι δεδομένων είναι τόσο υψηλοί που η χειροκίνητη ανάλυση είναι αδύνατη, και τα περισσότερα συστήματα λογισμικού κληρονομιάς δεν μπορούν να διατηρηθούν, οδηγώντας σε πολύτιμα δεδομένα που απορρίπτονται ή αγνοούνται.

Με το Big Data & Analytics’ υψηλής ταχύτητας, κλιμακούμενο λογισμικό μεγάλων δεδομένων, οι CSPs μπορούν να εξορύξουν όλα τα δεδομένα τους για καλύτερη λήψη αποφάσεων σε μικρότερο χρονικό διάστημα. Διαφορετικά προϊόντα και τεχνικές παρέχουν μια τελική πλατφόρμα λογισμικού για τη συλλογή, την προετοιμασία, την ανάλυση και την παρουσίαση εντύπων από τα μεγάλα δεδομένα. Οι τομείς εφαρμογής περιλαμβάνουν παρακολούθηση της απόδοσης δικτύου, ανίχνευση απάτης, ανίχνευση πελατών και ανάλυση πιστωτικού κινδύνου. Big Data & Η κλίμακα των προϊόντων αναλύσεων για την επεξεργασία terabytes δεδομένων, αλλά η εφαρμογή τέτοιων εργαλείων απαιτεί ένα νέο είδος συστήματος βάσης δεδομένων σε σύννεφο, όπως Hadoop ή μαζική κλίμακα παράλληλος επεξεργαστής υπολογιστών (KPU κλπ.)

Αυτό το μάθημα λειτουργεί στο Big Data BI για Telco καλύπτει όλες τις αναδυόμενες νέες περιοχές στις οποίες οι CSP επενδύουν για την αύξηση της παραγωγικότητας και το άνοιγμα νέων ροών εσόδων των επιχειρήσεων. Το μάθημα θα παρέχει μια πλήρη 360 βαθμούς όρασης Big Data BI στο Telco έτσι ώστε οι υπεύθυνοι λήψης αποφάσεων και οι διαχειριστές μπορούν να έχουν μια πολύ ευρεία και ολοκληρωμένη επισκόπηση των δυνατοτήτων Big Data BI στο Telco για την παραγωγικότητα και την απόκτηση εσόδων.

Στόχοι διαδρομής

Ο κύριος στόχος του μαθήματος είναι να εισαγάγει νέες Big Data τεχνικές επιχειρηματικής νοημοσύνης σε 4 τομείς Telecom Business (Marketing / πωλήσεις, λειτουργία δικτύου, χρηματοοικονομική λειτουργία και σχέσεις πελατών Management). Οι μαθητές θα εισαχθούν στο εξής:

• Εισαγωγή στο Big Data-τι είναι 4Vs (υπολογισμός, ταχύτητα, ποικιλία και βεβαιότητα) στο Big Data- Γενιά, εξόρυξη και διαχείριση από την προοπτική Telco
• Πώς Big Data η ανάλυση διαφέρει από την ανάλυση δεδομένων κληρονομιάς
• Εσωτερική αιτιολόγηση Big Data -Telco προοπτική
• Εισαγωγή στο Hadoop οικοσύστημα- εξοικειωμένοι με όλα τα Hadoop εργαλεία όπως Hive, Pig, SPARC – πότε και πώς χρησιμοποιούνται για την επίλυση Big Data προβλήματος
• Πώς Big Data εξάγεται για την ανάλυση για το εργαλείο ανάλυσης-όπως Business Analysis’s μπορεί να μειώσει τα σημεία πόνου τους από τη συλλογή και την ανάλυση των δεδομένων μέσω της ολοκληρωμένης Hadoop προσέγγισης dashboard
• Βασική εισαγωγή της ανάλυσης Insight, της ανάλυσης απεικόνισης και της προβλέψιμης ανάλυσης για το Telco
• Η ανάλυση πελατών και η Big Data-how Big Data ανάλυση μπορούν να μειώσουν την αμηχανία πελατών και την δυσαρέσκεια πελατών σε μελέτες Telco-case
• Ανάλυση αποτυχίας δικτύου και αποτυχίας υπηρεσιών από τα μετα-δεδομένα δικτύου και το IPDR
• Χρηματοοικονομική ανάλυση - απάτη, πλοήγηση και εκτίμηση ROI από πωλήσεις και επιχειρησιακά δεδομένα
• Προβλήματα αγοράς πελατών - Στόχος μάρκετινγκ, κατακερματισμός πελατών και διαμεσολάβηση από τα δεδομένα πωλήσεων
• Εισαγωγή και σύνοψη όλων των Big Data αναλυτικών προϊόντων και πού ταιριάζουν στον αναλυτικό χώρο Telco
• Συμπέρασμα-όπως να λάβετε βήμα προς βήμα προσέγγιση για να εισαγάγετε Big Data Business Intelligence στην οργάνωση σας

Στόχος κοινό

• Δραστηριότητες δικτύου, χρηματοοικονομικοί διευθυντές, διευθυντές CRM και κορυφαίοι διευθυντές IT στο γραφείο του Telco CIO.
• Business Αναλυτές στο Telco
• Διευθυντές γραφείων / αναλυτές CFO
• Οι επιχειρησιακοί διευθυντές
• ΔΗΜΟΣΙΟΓΡΑΦΟΙ

Σε αυτή τη ζωντανή εκπαίδευση στο Ελλάδα, καθοδηγούμενη από εκπαιδευτές, οι συμμετέχοντες θα μάθουν τη νοοτροπία με την οποία θα προσεγγίζουν τις Big Data τεχνολογίες, θα αξιολογούν τον αντίκτυπό τους στις υπάρχουσες διαδικασίες και πολιτικές και θα εφαρμόζουν αυτές τις τεχνολογίες με σκοπό τον εντοπισμό εγκληματικών δραστηριοτήτων και την πρόληψη του εγκλήματος. Θα εξεταστούν περιπτωσιολογικές μελέτες από οργανισμούς επιβολής του νόμου σε όλο τον κόσμο για να αποκτηθούν πληροφορίες σχετικά με τις προσεγγίσεις υιοθέτησης, τις προκλήσεις και τα αποτελέσματά τους.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Συνδυάστε την τεχνολογία Big Data με τις παραδοσιακές διαδικασίες συλλογής δεδομένων για να συνδυάσετε μια ιστορία κατά τη διάρκεια μιας έρευνας.
• Εφαρμόστε βιομηχανικές λύσεις αποθήκευσης και επεξεργασίας μεγάλων δεδομένων για ανάλυση δεδομένων.
• Προετοιμασία πρότασης για την υιοθέτηση των καταλληλότερων εργαλείων και διαδικασιών για να καταστεί δυνατή μια προσέγγιση βάσει δεδομένων για την ποινική έρευνα.

Κοινό

Αν προσπαθήσετε να κατανοήσετε τα δεδομένα στα οποία έχετε πρόσβαση ή θέλετε να αναλύσετε μη δομημένα δεδομένα που είναι διαθέσιμα στο διαδίκτυο (όπως το Twitter, το Linked in, κ.λπ.), αυτό το μάθημα απευθύνεται σε εσάς.

Στόχος είναι κυρίως οι υπεύθυνοι λήψης αποφάσεων και οι άνθρωποι που πρέπει να επιλέξουν ποια δεδομένα αξίζει να συλλέξουν και τι αξίζει να αναλύσουμε.

Δεν στοχεύει στους ανθρώπους να διαμορφώσουν τη λύση, αλλά αυτοί θα επωφεληθούν από τη μεγάλη εικόνα.

Λειτουργία παράδοσης

Κατά τη διάρκεια του μαθήματος οι εκπρόσωποι θα παρουσιαστούν με παραδείγματα εργασίας για τις περισσότερες τεχνολογίες ανοιχτού κώδικα.

Οι σύντομες διαλέξεις θα ακολουθούνται από παρουσίαση και απλές ασκήσεις από τους συμμετέχοντες

Το περιεχόμενο και το λογισμικό που χρησιμοποιήθηκαν

Όλο το λογισμικό που χρησιμοποιείται ενημερώνεται κάθε φορά που εκτελείται το μάθημα, έτσι ελέγχουμε τις πιο πρόσφατες εκδόσεις.

Καλύπτει τη διαδικασία από την απόκτηση, τη μορφοποίηση, την επεξεργασία και την ανάλυση των δεδομένων, για να εξηγήσει πώς αυτοματοποιείται η διαδικασία λήψης αποφάσεων με τη μηχανική μάθηση.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων και αναλυτές δεδομένων που επιθυμούν να αυτοματοποιήσουν, να αξιολογήσουν και να διαχειριστούν προγνωστικά μοντέλα χρησιμοποιώντας τις δυνατότητες μηχανικής εκμάθησης του DataRobot.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Φορτώστε σύνολα δεδομένων στο DataRobot για ανάλυση, αξιολόγηση και έλεγχο ποιότητας δεδομένων.
• Δημιουργήστε και εκπαιδεύστε μοντέλα για τον εντοπισμό σημαντικών μεταβλητών και την επίτευξη στόχων πρόβλεψης.
• Ερμηνεύστε μοντέλα για να δημιουργήσετε πολύτιμες γνώσεις που είναι χρήσιμες στη λήψη επιχειρηματικών αποφάσεων.
• Παρακολουθήστε και διαχειριστείτε μοντέλα για να διατηρήσετε μια βελτιστοποιημένη απόδοση πρόβλεψης.

Αυτή η εκπαιδευτικός-μεσωμένη, ζωντανή εκπαίδευση στο Ελλάδα (διαπροσωπικά ή μέσω διαδικτύου) προσβλέπει σε μεσαιτικό επίπεδο υπολογιστικών ανάπτυξης που θέλουν να δημιουργήσουν εφαρμογές που βασίζονται σε τεχνητή νοημοσύνη χρησιμοποιώντας προσδοκιματική ανάλυση και γενετικές μοντέλ.

Ανά το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Αντιληφθούν τους βασικούς όρους της προσδοκιματικής τεχνητής νοημοσύνης και των γενετικών μοντέλ.
• Χρησιμοποιούν εργαλεία που βασίζονται σε τεχνητή νοημοσύνη για προσδοκιματικό κωδικοποίηση, πρόβλεψη και αυτομάτη εφαρμογή.
• Εφαρμόζουν LLMs (Large Language Models) και transformers για τη γέννηση κειμένου και κώδικα.
• Εφαρμόζουν προβλέψεις αιτία-έπακουση χρόνου και συμβουλές βασισμένες σε τεχνητή νοημοσύνη.
• Δημιουργούν και αξιοποιούν τεχνητά μοντέλα για πρακτικά εφαρμογές.
• Εκτιμούν χρήσιμους παρεξηγήσεις και καλές πρακτικές στη διάθεση τεχνητής νοημοσύνης.

Αυτή η εκπαιδευτική, ζωντανή εξομάδα σε Ελλάδα (διαπιστίλιο ή απευθείας) στόχου μας είναι να υποστηρίξουμε IT επαγγελματίες είδή τελείωσης που θέλουν να καταλάβουν τις βασικές αρχές της Prognostic AI.

Από το τέλος αυτής της εξομάδας, οι συμμετέχοντες θα μπορούν να:

• Διατυπώσουν τις βασικές αρχές της Prognostic AI και τις εφαρμογές της.
• Συλλέξουν, καθαρίσουν και προεπεξεργαστούν δεδομένα για ανάλυση των πρόληψης.
• Αναζητήσουν και εκπροσωπούν δεδομένα ώστε να ανακαλύψουν μάθηση.
• Σχεδιάσουν βασικά στατιστικά μοντέλα για πρόβλεψη.
• Εκτιμήσουν την επίδοση των προγνωστικών μοντέλων.
• Αξιοποιήσουν αρχές Prognostic AI σε πραγματικά και σημαντικά συνθήματα.

Η R είναι μια ελεύθερη γλώσσα προγραμματισμού ανοιχτού κώδικα για στατιστικούς υπολογισμούς, ανάλυση δεδομένων και γραφικά. Το R χρησιμοποιείται από έναν αυξανόμενο αριθμό διευθυντών και αναλυτών δεδομένων εντός εταιρειών και ακαδημαϊκού κόσμου. Το R διαθέτει μεγάλη ποικιλία πακέτων για εξόρυξη δεδομένων.

Η προϊσταμένη ανάλυση είναι ο πrocess του χρήσης δεδομένων ανάλυσης για να κάνουμε προβλέψεις σχετικά με το μέλλον. Αυτός ο πrocess χρησιμοποιεί δεδομένα καθώς και τεχνικές ανάλυσης δεδομένων, στατιστικής και μηχανικής μάθησης για να δημιουργήσει ένα προϊστάμενο μοντέλο για την πρόβλεψη μελλοντικών γεγονότων.

Σε αυτή τη διδασκαλία υπό την οδηγία εκπαιδευτή, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιούν το Matlab για να δημιουργήσουν προϊστάμενα μοντέλα και να τα εφαρμόζουν σε μεγάλες υποδοχές δεδομένων για να προβλέψουν μελλοντικά γεγονότα βάσει των δεδομένων.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Δημιουργήσουν προϊστάμενα μοντέλα για την ανάλυση μοντέλων σε ιστορικά και διαπραγματευτικά δεδομένα
• Χρησιμοποιήσουν προϊστάμενη μοντελοποίηση για την αναγνώριση κινδύνων και ευκαιριών
• Δημιουργήσουν μαθηματικά μοντέλα που συλλαμβάνουν σημαντικές τάσεις
• Χρησιμοποιήσουν δεδομένα από συσκευές και επιχειρηματικά συστήματα για να μειώσουν το υφιστάμενο, να εξοικονομήσουν χρόνο ή να κόψουν κόστη

Ακροατήριο

• Προγραμματιστές
• Μηχανικοί
• Ειδικοί τομέων

Μορφή του μαθήματος

• Μερικά διδασκαλικά, μερικό συζητήματα, ασκήσεις και πολλή πρακτική χειρονομία

Αυτή η καθοδηγημένη, ζωντανή εκπαίδευση σε Ελλάδα (διαδικτυακά ή χώρος) απευθύνεται σε διαχειριστές δεδομένων μεταξύ βαθμού που επιθυμούν να εφαρμόζουν τεχνικές μηχανής μάθησης σε επιχειρηματικά προβλήματα που βασίζονται σε δεδομένα, συμπεριλαμβανομένης της πρόβλεψης πωλήσεων και της προοπτικής μάθησης χρησιμοποιώντας νευρωνικές δίκτυες.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Να κατανοούν τα βασικά χαρακτηριστικά και τους τύπους μηχανής μάθησης.
• Να εφαρμόζουν βασικούς αλγόριθμους για κατηγοριοποίηση, προβλεψιμότητα, συσταδοποίηση και ανάλυση σχέσεων.
• Να εκτελούν ημιχειριστή ανάλυση δεδομένων και προετοιμασία δεδομένων χρησιμοποιώντας το Python.
• Να χρησιμοποιούν νευρωνικά δίκτυα για μη γραμμικές προβλήματα μόνιμης μάθησης.
• Να εφαρμόζουν προοπτική ανάλυση για επιχειρηματική πρόβλεψη, συμπεριλαμβανομένων των δεδομένων πωλήσεων.
• Να εκτιμούν και να βελτιώνουν την απόδοση μοντέλου χρησιμοποιώντας οπτικές και στατιστικές τεχνικές.

Αυτή η εκπαίδευση, που διεξάγεται με ενδιαφέροντα και ζωντανά στο Ελλάδα (online ή onsite), απευθύνεται σε επαγγελματίες DevOps με διάθεση μεταξύ του προκαταβολή και του υψηλότερου επιπέδου, οι οποίοι επιθυμούν να συνδυάσουν τη προσαγωγική τεχνητή νοημοσύνη με τις πρακτικές DevOps.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Εφαρμόζουν μοντέλα προσαγωγικής ανάλυσης για την πρόβλεψη και επίλυση προκλήσεων στην διαδρομή DevOps.
• Χρησιμοποιούν εργαλεία με υποστήριξη τεχνητής νοημοσύνης για βελτιωμένη παρακολούθηση και λειτουργία.
• Εφαρμένη τεχνική μηχανικής μάθησης για να βελτιώσουν τις ρυθμίσεις παράδοσης λογισμικού.
• Σχεδιάζουν στρατηγικές τεχνητής νοημοσύνης για πρωτοβουλική επίλυση προβλημάτων και βελτιστοποίηση.
• Να αναγνωρίζουν τις ηθικές προβλήματα σχετικά με τη χρήση τεχνητής νοημοσύνης στο DevOps.

R είναι μια δωρεάν, ανοιχτού κώδικα γλώσσα προγραμματισμού για στατιστική υπολογιστικό, ανάλυση δεδομένων και γραφικά. Το R χρησιμοποιείται από μια όλο και μεγαλύτερη πληθυσμιά διευθυντών και αναλυτών δεδομένων σε εταιρείες και εκπαιδευτικές οργανώσεις. Το R προσφέρει μια ευρεία γama ταινιών για την ανάλυση δεδομένων.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακή ή επιτόπου) απευθύνεται σε αναλυτές δεδομένων μεσαίου επιπέδου που επιθυμούν να μάθουν πώς να χρησιμοποιούν το RapidMiner για την εκτίμηση και την προβολή τιμών και τη χρήση αναλυτικών εργαλείων για την πρόβλεψη χρονοσειρών.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Μάθετε να εφαρμόζετε τη μεθοδολογία CRISP-DM, επιλέξτε κατάλληλους αλγόριθμους μηχανικής εκμάθησης και βελτιώστε την κατασκευή και την απόδοση του μοντέλου.
• Χρησιμοποιήστε το RapidMiner για να εκτιμήσετε και να προβάλετε τιμές και να χρησιμοποιήσετε αναλυτικά εργαλεία για την πρόβλεψη χρονοσειρών.

Αυτή η καθοδηγημένη από εκπαιδευτικό, ζωντανή εκπαίδευση (πρόσφατη ή χώρου) απευθύνεται σε αρχάριους έως μεσαίου επιπέδου αναλυτές, έρευνα, και επαγγελματίες που επιθυμούν να χρησιμοποιήσουν το SPSS για προεργασία δεδομένων, στατιστική ανάλυση και προϊσταμένη μοντελοποίηση.