Jupyter for Data Science Teams Training Course

Đây là khóa học giới thiệu 5 ngày về Data Science và Artificial Intelligence (AI).

Khóa học được trình bày với các ví dụ và bài tập thực hành sử dụng Python.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho những người tham gia ở trình độ trung cấp, những người muốn tự động hóa và quản lý quy trình làm việc học máy, bao gồm huấn luyện, xác thực và triển khai mô hình bằng Apache Airflow.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập Apache Airflow để điều phối quy trình làm việc học máy.
• Tự động hóa các tác vụ tiền xử lý dữ liệu, huấn luyện mô hình và xác thực.
• Tích hợp Airflow với các khung và công cụ học máy.
• Triển khai các mô hình học máy bằng cách sử dụng quy trình tự động.
• Giám sát và tối ưu hóa quy trình làm việc học máy trong môi trường sản xuất.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu muốn sử dụng hệ sinh thái Anaconda để thu thập, quản lý và triển khai các gói và quy trình phân tích dữ liệu trên một nền tảng duy nhất.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Cài đặt và cấu hình các thành phần và thư viện Anaconda.
• Hiểu các khái niệm, tính năng và lợi ích cốt lõi của Anaconda.
• Quản lý các gói, môi trường và kênh bằng Anaconda Navigator.
• Sử dụng các gói Conda, R và Python cho khoa học dữ liệu và học máy.
• Tìm hiểu một số trường hợp sử dụng thực tế và kỹ thuật quản lý nhiều môi trường dữ liệu.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học và nhà phân tích dữ liệu ở trình độ trung cấp, những người muốn sử dụng AWS Cloud9 để tối ưu hóa quy trình làm việc khoa học dữ liệu.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường khoa học dữ liệu trong AWS Cloud9.
• Thực hiện phân tích dữ liệu bằng Python, R và Jupyter Notebook trong Cloud9.
• Tích hợp AWS Cloud9 với các dịch vụ dữ liệu của AWS như S3, RDS và Redshift.
• Sử dụng AWS Cloud9 để phát triển và triển khai mô hình học máy.
• Tối ưu hóa quy trình làm việc dựa trên đám mây cho phân tích và xử lý dữ liệu.

Tổng quan

Các nhà cung cấp dịch vụ Communications (CSP) đang phải đối mặt với áp lực giảm chi phí và tối đa hóa doanh thu trung bình trên mỗi người dùng (ARPU), đồng thời đảm bảo trải nghiệm khách hàng tuyệt vời, nhưng khối lượng dữ liệu vẫn tiếp tục tăng. Lưu lượng dữ liệu di động toàn cầu sẽ tăng trưởng với tốc độ tăng trưởng hàng năm gộp (CAGR) là 78% đến năm 2016, đạt 10,8 exabyte mỗi tháng.

Trong khi đó, các CSP đang tạo ra lượng lớn dữ liệu, bao gồm hồ sơ chi tiết cuộc gọi (CDR), dữ liệu mạng và dữ liệu khách hàng. Các công ty khai thác đầy đủ dữ liệu này sẽ có lợi thế cạnh tranh. Theo một khảo sát gần đây của The Economist Intelligence Unit, các công ty sử dụng việc ra quyết định dựa trên dữ liệu có mức tăng trưởng năng suất từ 5-6%. Tuy nhiên, 53% các công ty chỉ khai thác một nửa dữ liệu có giá trị của họ, và một phần tư số người được hỏi nhận thấy rằng một lượng lớn dữ liệu hữu ích vẫn chưa được khai thác. Khối lượng dữ liệu quá lớn khiến việc phân tích thủ công là bất khả thi, và hầu hết các hệ thống phần mềm cũ không thể đáp ứng được, dẫn đến việc dữ liệu có giá trị bị loại bỏ hoặc bỏ qua.

Với phần mềm big data có tốc độ cao, khả năng mở rộng của Big Data & Analytics, các CSP có thể khai thác tất cả dữ liệu của họ để đưa ra quyết định tốt hơn trong thời gian ngắn hơn. Các sản phẩm và kỹ thuật khác nhau của Big Data cung cấp một nền tảng phần mềm hoàn chỉnh để thu thập, chuẩn bị, phân tích và trình bày thông tin chi tiết từ big data. Các lĩnh vực ứng dụng bao gồm giám sát hiệu suất mạng, phát hiện gian lận, phát hiện khách hàng rời bỏ và phân tích rủi ro tín dụng. Các sản phẩm của Big Data & Analytics có thể mở rộng để xử lý terabyte dữ liệu, nhưng việc triển khai các công cụ này đòi hỏi một hệ thống cơ sở dữ liệu dựa trên đám mây mới như Hadoop hoặc bộ xử lý tính toán song song quy mô lớn (KPU, v.v.).

Khóa học này về BI Big Data cho Telco bao gồm tất cả các lĩnh vực mới nổi mà các CSP đang đầu tư để tăng năng suất và mở ra các nguồn doanh thu mới. Khóa học sẽ cung cấp một cái nhìn toàn diện 360 độ về BI Big Data trong Telco để các nhà quản lý và người ra quyết định có thể có một cái nhìn tổng quan rộng rãi và toàn diện về các khả năng của BI Big Data trong Telco để tăng năng suất và doanh thu.

Mục tiêu khóa học

Mục tiêu chính của khóa học là giới thiệu các kỹ thuật tình báo nghiệp vụ Big Data mới trong 4 lĩnh vực của Telecom Business (Marketing/Bán hàng, Vận hành Mạng, Vận hành Tài chính và Quan hệ Khách hàng Management). Sinh viên sẽ được giới thiệu những điều sau:

• Giới thiệu về Big Data - 4Vs (khối lượng, tốc độ, sự đa dạng và tính xác thực) trong Big Data - Tạo, trích xuất và quản lý từ góc độ Telco
• Phân tích Big Data khác với phân tích dữ liệu cũ như thế nào
• Chứng minh tính hợp lý của Big Data trong nội bộ - Góc độ Telco
• Giới thiệu về Hệ sinh thái Hadoop - làm quen với tất cả các công cụ Hadoop như Hive, Pig, SPARC - khi nào và làm thế nào chúng được sử dụng để giải quyết các vấn đề Big Data
• Cách trích xuất Big Data để phân tích cho các công cụ phân tích - cách Business Analysis có thể giảm bớt các điểm khó khăn của họ trong việc thu thập và phân tích dữ liệu thông qua cách tiếp cận bảng điều khiển Hadoop tích hợp
• Giới thiệu cơ bản về phân tích thông tin chi tiết, phân tích trực quan và phân tích dự đoán cho Telco
• Phân tích rời bỏ khách hàng và Big Data - cách phân tích Big Data có thể giảm thiểu tình trạng rời bỏ khách hàng và sự không hài lòng của khách hàng trong Telco - các nghiên cứu điển hình
• Phân tích lỗi mạng và lỗi dịch vụ từ siêu dữ liệu mạng và IPDR
• Phân tích tài chính - gian lận, lãng phí và ước tính ROI từ dữ liệu bán hàng và vận hành
• Vấn đề thu hút khách hàng - Tiếp thị mục tiêu, phân khúc khách hàng và bán chéo từ dữ liệu bán hàng
• Giới thiệu và tóm tắt tất cả các sản phẩm phân tích Big Data và vị trí của chúng trong không gian phân tích Telco
• Kết luận - cách tiếp cận từng bước để giới thiệu Big Data Business Intelligence trong tổ chức của bạn

Đối tượng mục tiêu

• Nhà vận hành mạng, Quản lý tài chính, Quản lý CRM và các nhà quản lý IT hàng đầu trong văn phòng CIO của Telco.
• Nhà phân tích Business trong Telco
• Quản lý/Nhà phân tích văn phòng CFO
• Quản lý vận hành
• Quản lý QA

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu và chuyên gia IT ở trình độ mới bắt đầu, những người muốn học các kiến thức cơ bản về khoa học dữ liệu bằng Google Colab.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập và điều hướng Google Colab.
• Viết và thực thi Python code cơ bản.
• Nhập và xử lý các tập dữ liệu.
• Tạo hình ảnh trực quan bằng các thư viện Python.

Những người tham gia hoàn thành khóa đào tạo này sẽ có được sự hiểu biết thực tế và ứng dụng cao về Data Science và các công nghệ, phương pháp luận và công cụ liên quan.

Người tham gia sẽ có cơ hội áp dụng kiến thức này vào thực tế thông qua các bài tập thực hành. Tương tác nhóm và phản hồi từ giảng viên là một phần quan trọng của lớp học.

Khóa học bắt đầu với phần giới thiệu về các khái niệm cơ bản của Data Science, sau đó đi sâu vào các công cụ và phương pháp luận được sử dụng trong Data Science.

Đối tượng

• Nhà phát triển
• Chuyên viên phân tích kỹ thuật
• Tư vấn viên IT

Hình thức của Khóa học

• Kết hợp giảng lý, thảo luận, bài tập và thực hành chuyên sâu

Lưu ý

• Để yêu cầu một khóa đào tạo tùy chỉnh cho khóa học này, vui lòng liên hệ với chúng tôi để sắp xếp.

The explosion of information and data in today’s world is un-paralleled, our ability to innovate and push the boundaries of the possible is growing faster than it ever has. The role of Data Scientist is one of the highest in-demand skills across industry today.

We offer much more than learning through theory; we deliver practical, marketable skills that bridge the gap between the world of academia and the demands of industry.

This 7 week curriculum  can be tailored to your specific Industry requirements, please contact us for further information or visit the Nobleprog Institute website 

Audience:

This programme is aimed post level graduates as well as anyone with the required pre-requisite skills which will be determined by an assessment and interview. 

Delivery:

Delivery of the course will be a mixture of Instructor Led Classroom and Instructor Led Online; typically the 1st week will be 'classroom led', weeks 2 - 6 'virtual classroom' and week 7  back to 'classroom led'. 

Dữ liệu lớn là các tập dữ liệu có dung lượng và độ phức tạp quá lớn khiến phần mềm ứng dụng xử lý dữ liệu truyền thống không thể đáp ứng được. Những thách thức của dữ liệu lớn bao gồm thu thập dữ liệu, lưu trữ dữ liệu, phân tích dữ liệu, tìm kiếm, chia sẻ, truyền tải, trực quan hóa, truy vấn, cập nhật và bảo mật thông tin.

This course is meant for Marketing Sales Professionals who are intending to get deeper into application of data science in Marketing/ Sales. The course provides
detailed coverage of different data science techniques used for “upsale”, “cross-sale”, market segmentation, branding and CLV.

Difference of Marketing and Sales - How is that sales and marketing are different?

In very simplewords, sales can be termed as a process which focuses or targets on individuals or small groups. Marketing on the other hand targets a larger group or the general public. Marketing includes research (identifying needs of the customer), development of products (producing innovative products) and promoting the product (through advertisements) and create awareness about the product among the consumers. As such marketing means generating leads or prospects. Once the product is out in the market, it is the task of the sales person to persuade the customer to buy the product. Sales means converting the leads or prospects into purchases and orders, while marketing is aimed at longer terms, sales pertain to shorter goals.

Khóa đào tạo trực tiếp, trực tuyến hoặc tại chỗ này dành cho các chuyên gia muốn bắt đầu sự nghiệp trong lĩnh vực Data Science.

Sau khi hoàn thành khóa đào tạo này, người tham gia sẽ có thể:

• Cài đặt và cấu hình Python và MySql.
• Hiểu Data Science là gì và cách nó có thể mang lại giá trị cho hầu hết mọi doanh nghiệp.
• Học các nguyên tắc cơ bản của lập trình trong Python.
• Học các kỹ thuật Machine Learning có giám sát và không giám sát, cách triển khai và diễn giải kết quả.

Định dạng khóa học

• Bài giảng và thảo luận tương tác.
• Nhiều bài tập và thực hành.
• Thực hành trực tiếp trong môi trường phòng thí nghiệm trực tiếp.

Tùy chọn tùy chỉnh khóa học

• Để yêu cầu một khóa đào tạo tùy chỉnh cho khóa học này, vui lòng liên hệ với chúng tôi để sắp xếp.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu và nhà phát triển muốn học hỏi và xây dựng sự nghiệp của họ trong Data Science bằng cách sử dụng Kaggle.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Tìm hiểu về khoa học dữ liệu và học máy.
• Khám phá phân tích dữ liệu.
• Tìm hiểu về Kaggle và cách thức hoạt động của nó.

KNIME Analytics Platform là một lựa chọn mã nguồn mở hàng đầu cho sự đổi mới dựa trên dữ liệu, giúp bạn khám phá tiềm năng ẩn giấu trong dữ liệu của mình, khai thác những hiểu biết mới và dự đoán những tương lai mới. Với hơn 1000 mô-đun, hàng trăm ví dụ sẵn sàng chạy, một loạt công cụ tích hợp toàn diện và lựa chọn rộng nhất các thuật toán nâng cao có sẵn, KNIME Analytics Platform là bộ công cụ hoàn hảo cho bất kỳ nhà khoa học dữ liệu và nhà phân tích kinh doanh nào.

Khóa học về KNIME Analytics Platform này là cơ hội lý tưởng cho người mới bắt đầu, người dùng nâng cao và các chuyên gia KNIME để được giới thiệu về KNIME, học cách sử dụng nó hiệu quả hơn và cách tạo ra các báo cáo rõ ràng, toàn diện dựa trên quy trình làm việc KNIME.

Chương trình đào tạo trực tiếp, trực tuyến hoặc tại chỗ này dành cho các chuyên gia dữ liệu muốn sử dụng KNIME để giải quyết các nhu cầu kinh doanh phức tạp.

Nó dành cho đối tượng không biết lập trình và có ý định sử dụng các công cụ tiên tiến để triển khai các kịch bản phân tích.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Cài đặt và cấu hình KNIME.
• Xây dựng các kịch bản Data Science.
• Huấn luyện, kiểm tra và xác thực mô hình.
• Triển khai chuỗi giá trị hoàn chỉnh của các mô hình khoa học dữ liệu.

Định dạng khóa học

• Bài giảng và thảo luận tương tác.
• Nhiều bài tập và thực hành.
• Thực hiện trực tiếp trong môi trường phòng thí nghiệm trực tiếp.

Tùy chọn tùy chỉnh khóa học

• Để yêu cầu đào tạo tùy chỉnh cho khóa học này hoặc để biết thêm thông tin về chương trình này, vui lòng liên hệ với chúng tôi để sắp xếp.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu và nhà phát triển muốn sử dụng Modin để xây dựng và triển khai các phép tính song song với Pandas để phân tích dữ liệu nhanh hơn.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường cần thiết để bắt đầu phát triển các quy trình làm việc Pandas quy mô lớn với Modin.
• Hiểu các tính năng, kiến trúc và lợi thế của Modin.
• Nắm vững sự khác biệt giữa Modin, Dask và Ray.
• Thực hiện các thao tác Pandas nhanh hơn với Modin.
• Triển khai toàn bộ API và các hàm Pandas.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu và nhà phát triển muốn sử dụng RAPIDS để xây dựng các quy trình dữ liệu, quy trình làm việc và hình ảnh hóa dữ liệu được tăng tốc bởi GPU, áp dụng các thuật toán học máy như XGBoost, cuML, v.v.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển cần thiết để xây dựng các mô hình dữ liệu với NVIDIA RAPIDS.
• Hiểu các tính năng, thành phần và lợi thế của RAPIDS.
• Tận dụng GPU để tăng tốc các quy trình dữ liệu và phân tích từ đầu đến cuối.
• Triển khai chuẩn bị dữ liệu và ETL được tăng tốc bởi GPU với cuDF và Apache Arrow.
• Tìm hiểu cách thực hiện các tác vụ học máy với các thuật toán XGBoost và cuML.
• Xây dựng hình ảnh hóa dữ liệu và thực hiện phân tích đồ thị với cuXfilter và cuGraph.