Курс: Организация работы и управления большими данными (Big Data) в современной компании

Дополнительная дата проведения курса: 18.08.2025-19.08.2025

Продолжительность курса: 16 ак. ч.

Описание курса:
На данном курсе слушатели разберутся, как организовать деятельность по внедрению инструментария машинного обучения и ИИ; работу команд различных подразделений; к каким инвестициям и результатам надо быть готовыми.

Аудитория:
• Руководители компаний и подразделений;
• Функциональные руководители;
• Руководители проектов в области больших данных;
• Бизнес-аналитики;
• Руководители (тимлиды) команд по обработке «больших данных» и внедрению инструментария машинного обучения.

Необходимая подготовка:
• Основы знаний по управлению проектами.

Программа курса:
Модуль 1. Введение в Big Data (Большие данные):
• Основные понятия и термины в области «больших данных»;
• Отраслевая специфика аналитики больших данных. Общий разбор отраслевых сценариев (cases). Примеры классов задач;
• Актуальные тенденции в подходах Big Data – обзор основных классов методов. Ключевые понятия и термины методов, относящихся к «большим данным»;
• Статистическая обработка;
• Нейросети;
• Графы;
• Специализированные инструменты;
• Специальности в области «больших данных», соответствующие им роли и компетенции;
• Аналитик больших данных;
• Специалист по моделям (датасаентист);
• Разработчик в области больших данных (дата инженер);
• Промпт-менеджер;
• Директор по данным/Цифровой директор.

Модуль 2. Бизнес фокус при работе с большими данными:
• Методология CRISP DM — модели жизненного цикла аналитики данных: получение данных, подготовка данных, планирование модели, построение модели, проверка результатов, внедрение;
• Определение бизнес-целей для проекта Big Data;
• Понятие «цифровой зрелости» компании;
• Инициация проекта по применению подходов «больших данных» - постановка целей, оценка рисков и ограничений;
• Дорожная карта проекта.

Модуль 3. Управление данными: сбор, оценка качества и подготовка:
• Определение источников данных;
• Первичный сбор и анализ данных: инструментарий и доступные методы;
• Принципы формирования озер данных (Data Lake);
• Оценка качества данных Data Quality;
• Инструменты подготовки данных: нормализация, очистка, контроль релевантности выборки, обогащение, обобщение, выявление случайных выбросов;
• Зонирование и сегментирование данных;
• Описание данных и построение метаданных;
• Основные трудности и проблемы, критические факторы успеха.

Модуль 4. Моделирование: классы задач и методов их решения:
• Проектный треугольник при выборе способа и методов моделирования больших данных: скорость, стоимость, качество;
• Введение понятий;
• Машинное обучение;
• Глубокое обучение;
• Искусственный интеллект;
• Классы аналитических задач и подходы к их решению;
• Числовые;
• Динамические;
• Текстовые;
• Графические;
• Видео;
• Обзор методов моделирования;
• Нейросети;
• Обратного распространения;
• Сверточные;
• Рекуррентные;
• Генетические;
• Графы, деревья;
• Многозначные логики. Методы кластерного анализа;
• Другие специализированные подходы;
• Обзор прикладного инструментария для решения аналитических задач моделирования;
• Облачные платформы для быстрой разработки, «использование «песочниц»;
• Современные инструменты на основе ИИ без кодирования (ChatGPT аналогичные);
• Структура затрат – ресурсы, финансы, время.

Модуль 5. Показатели качества и оценка результатов:
• Бизнес-метрики оценки качества моделирования;
• Построение критериев качества моделей на основе «треугольника»;
• Отличия среды разработки и эксплуатации и их бизнес-интеграция;
• Постоянная адаптация моделей;
• Типовые ошибки;
• Ценность моделирования для бизнеса.

Окончательная цена указывается в договоре на обучение.