المنهجية
تُوضّح جميع الأساليب والحلول التحليلية بدراسات حالة تفصيلية خطوة بخطوة مع تجارب عملية على أرض الواقع. وسيتم تغطية المواضيع التحليلية في وثائق شاملة تتضمن مقارنة حصرية ومباشرة بين برامج SAS وSPSS وSTATISTICA وExcel وR وPython.
أهداف الدورة
سيتمكن المشاركون في نهاية الدورة من:
- فهم وتصميم البيانات للتحليل الفعال
- مقارنة الحلول المتعلقة بتحليل البيانات مقابل التعلم الآلي
- التفريق بين النماذج التنبؤية والنماذج التنبؤية
- الاختيار بين التقنيات "المملوكة" و "مفتوحة المصدر"
- تحديد تدفق البيانات الحديثة من المصادر إلى التقارير
- إدارة مشاريع علوم البيانات باستخدام أفضل ممارسات إدارة المشاريع
الفئات المستهدفة
هذه الدورة مخصصة للمتخصصين الذين يطمحون إلى التعرف على مكونات علوم البيانات، وكيف يمكن تطبيقها بشكل متناسق لحل مشاكل البيانات والأعمال، بالإضافة إلى قضايا البحث. تعتبر الدورة مناسبة بشكل خاص للمدراء والأشخاص المشتركين في التسويق، وإدارة علاقات العملاء، والبحث، والتصنيع، ومراقبة الجودة، ومطوري التطبيقات، ومحللي تكنولوجيا المعلومات في معظم القطاعات، مثل البنوك، وشركات التأمين، والتجزئة، والحكومات، وشركات التصنيع، والرعاية الصحية، وشركات الاتصالات، والنقل، وموزعي السلع.
الكفاءات المستهدفة
- تحليل بيانات الأعمال
- صحة تحليل البيانات
- الحكم على خوارزميات الذكاء الاصطناعي
- تقييم منصات إنترنت الأشياء
- مقارنة نتائج البيانات الضخمة
تحليل وتصور البيانات
- أنواع البيانات وتصور البيانات
- تقييم جودة التمثيل للبيانات
- استخدام الإحصاءات الوصفية لتلخيص البيانات
- تصنيف مجموعتين أو أكثر باستخدام الاختبارات الإحصائية
- تصور التحليلات المتعددة باستخدام الرسوم البيانية الذكية القوية
- الانحدار الخطي البسيط
- الانحدار اللوجستي البسيط
- إدارة وإزالة القيم المتطرفة
التعلم الآلي - مراقب
- الانحدار الخطي المتعدد
- الانحدار اللوجستي المتعدد
- تحليل التمييز: الوظائف والنماذج الاحتمالية
- الأشجار القرارية: CART - CHAID والغابات العشوائية
- آليات دعم القرار
- أقرب جيران K
- Naïve Bayes
- الشبكات العصبية، التعلم العميق وإمكانيات الذكاء الصناعي
تنبؤ ذكاء الأعمال - R مقابل بايثون
- ذكاء الأعمال
- قواعد البيانات: التجميع والمصادر
- ETL
- التخزين: مستودعات البيانات، ومراكز البيانات، والبحيرات البيانات
- التحليل: أدوات ذكاء الأعمال، وOLAP، ولوحات القيادة، وما إلى ذلك
- التنبؤ
- الاتجاهات
- التنعيم الأسي: الطرق الجمعية والضربية
- سلاسل الزمن: الطرق الجمعية والضربية
- نماذج ARIMA
- R مقابل بايثون
- اختبارات إحصائية
- خوارزميات التعلم الآلي
التعلم الآلي: غير المراقب
- تحليل المكونات الرئيسية
- تجميع البيانات: التسلسل الهرمي وطريقة K Means
- تحليل المراسبة البسيطة
- توجيه الأبعاد المتعددة
- تحليل الرباعية
PMP لعلماء البيانات
- PMP
- التكامل، التكلفة، والنطاق
- الوقت، التكلفة، الجودة، والاتصال
- المخاطر، المشتريات، وأصحاب المصلحة
إنترنت الأشياء وبيئة البيانات الضخمة
- أساسيات إنترنت الأشياء - M2M والأنظمة المدمجة
- بروتوكولات إنترنت الأشياء الأساسية
- البيانات الضخمة: "أين" و"متى"
- ملفات البيانات الضخمة الموزعة باستخدام HDFS
- MapReduce مقابل مشاركة البيانات باستخدام Spark
- نظرة عامة على بيئة البيانات الضخمة: Spark، Mongo DB، Cassandra، Flume، Cloudera، Oozie، Mahout
