Artificial Intelligence (AI) with H2O培訓

這種以講師為主導的 台灣（在線或現場）實時培訓面向希望掌握預測 AI 基礎知識的初級 IT 專業人員。

在培訓結束時，參與者將能夠：

• 了解預測 AI 及其應用的核心概念。
• 收集、清理和預處理數據以進行預測分析。
• 探索和可視化數據以發現見解。
• 建立基本的統計模型進行預測。
• 評估預測模型的性能。
• 將預測性 AI 概念應用於實際場景。

這種由講師指導的<>本地（在線或現場）實時培訓面向希望將預測性 AI 集成到其 DevOps 實踐中的中級 DevOps 專業人員。

在培訓結束時，參與者將能夠：

• 實施預測分析模型，以預測和解決 DevOps 管道中的挑戰。
• 利用 AI 驅動的工具增強監控和操作。
• 應用機器學習技術來改進軟體交付工作流程。
• 設計 AI 策略以主動解決問題和優化。
• 在 DevOps 中瞭解使用 AI 的道德考慮因素。

這種由 講師指導的 台灣現場培訓（在線或現場）面向希望使用 H2O AutoML 來自動構建和選擇最佳機器學習演算法和參數的數據科學家。

在本次培訓結束時，參與者將能夠：

• 自動化機器學習工作流程。
• 在指定時間範圍內自動訓練和優化許多機器學習模型。
• 訓練堆疊集成以獲得高度預測的集成模型。

概述

服务提供商(CSP)面临压力,以降低成本,最大限度地提高用户平均收入(ARPU),同时确保优秀的客户体验,但数据量仍在增长。 到2016年,全球移动数据流量将以78%的合并年增长率(CAGR)增长,每月达到10.8 exabytes。

与此同时,CSP正在产生大量的数据,包括呼叫细节记录(CDR),网络数据和客户数据。 充分利用这些数据的公司获得了竞争优势。 根据The Economist Intelligence Unit最近的一项调查,使用数据导向决策的公司享有5至6%的生产力增长。 然而,53%的公司只利用其有价值的数据的一半,其中四分之一的受访者指出,大量有用的数据正在失去。 数据量如此高,以至于手动分析是不可能的,而大多数遗产软件系统无法保持,导致有价值的数据被忽略或忽略。

使用高速可扩展的大数据软件,CSP 可以在更短的时间内挖掘所有数据,以便在更短的时间内做出更好的决策。 不同 Big Data 产品和技术提供一个终端软件平台,以收集,准备,分析和展示来自大数据的洞察力。 应用领域包括网络性能监测、欺诈检测、客户端检测和信用风险分析。 Big Data 分析产品规模处理数据的特拉比特,但这些工具的实施需要新的类型的基于云的数据库系统,如(3)或大规模平行计算处理器(KPU等)。

该课程工作在 Big Data BI for Telco 覆盖了所有新兴的领域,在这些领域,CSP 正在投资,以提高生产力,并打开新的业务收入流。 该课程将提供一个完整的360学位的视图 Big Data BI在Telco,以便决策者和管理人员可以有一个非常广泛和全面的概述的可能性 Big Data BI在Telco的生产力和收入收益。

课程目标

该课程的主要目标是引入4个领域的新(0)商业智能技术(9)(Marketing/销售、网络运营、金融运营和客户关系(4))。 学生将被介绍为如下:

• 引入 Big Data - 什么是 4Vs (容量,速度,多样性和可靠性) 在 Big Data - 从 Telco 视角的发行,提取和管理
• 如何分析与遗产数据分析不同
• 内部正当化 Big Data -Telco 视角
• 引入 Hadoop 生态系统 - 熟悉所有 Hadoop 工具,如 Hive, 猪, SPARC –什么时候和如何使用它们来解决 Big Data 问题
• 如何 Big Data 被提取到分析分析工具 - 如何 Business Analysis’s 可以通过集成 Hadoop 板块方法来减少数据收集和分析的疼痛点
• 基础介绍 Insight 分析、视觉分析和预测分析为 Telco
• 客户评估分析和如何评估分析可以在Telco案例研究中减少客户评估和客户不满
• 网络故障和服务故障分析来自网络 meta 数据和 IPDR
• 财务分析 - 欺诈、欺诈和从销售和运营数据中获得的ROI估计
• 客户收购问题 - 目标营销,客户分区和从销售数据中交叉销售
• 介绍和概述所有 Big Data 分析产品以及它们适合在 Telco 分析空间的位置
• 结论 - 如何采取一步一步的方法来引入 Big Data Business Intelligence 在您的组织

目标观众

• 网络运营,财务经理,CRM经理和Telco CIO办公室的顶级IT经理。
• Business 分析师在 Telco
• CFO办公室经理/分析师
• 运营经理
• QA管理员

技術的進步和越來越多的信息正在改變執法的方式。 Big Data帶來的挑戰幾乎與Big Data的承諾一樣令人生畏。有效存儲數據是這些挑戰之一;有效地分析它是另一回事。

在以講師為主導的現場培訓中，參與者將學習處理Big Data技術的思維方式，評估其對現有流程和政策的影響，並實施這些技術，以識別犯罪活動和預防犯罪。將審查世界各地執法組織的案例研究，以深入了解其採用方法，挑戰和結果。

在培訓結束時，參與者將能夠：

• 將Big Data技術與傳統的數據收集流程相結合，在調查過程中拼湊出一個故事
• 實施工業大數據存儲和處理數據分析解決方案
• 準備一份提案，以採用最適當的工具和程序，使數據驅動的方法能夠進行刑事調查

聽眾

• 具有技術背景的執法專家

課程形式

• 部分講座，部分討論，練習和繁重的實踐練習

聽眾

如果您試圖理解您可以訪問或想要分析網絡上可用的非結構化數據（如Twitter，鏈接等等），那麼本課程適合您。

它主要針對決策者和需要選擇哪些數據值得收集以及值得分析的人。

它不是針對人們配置解決方案，但這些人將從大局中受益。

交貨方式

在課程期間，代表們將獲得大多數開源技術的工作示例。

講座後將進行簡短的講座，參加者將進行簡單的練習

使用的內容和軟件

每次運行課程時都會更新所有使用的軟件，因此我們會檢查最新版本。

它涵蓋了從獲取，格式化，處理和分析數據的過程，以解釋如何使用機器學習自動化決策制定過程。

這種由 講師指導的 台灣 現場培訓（在線或現場）面向希望使用 DataRobot 的機器學習功能自動化、評估和管理預測模型的數據科學家和數據分析師。

在本次培訓結束時，參與者將能夠：

• 在 DataRobot 中載入數據集以分析、評估和品質檢查數據。
• 構建和訓練模型以識別重要變數並滿足預測目標。
• 解釋模型以創建有助於做出業務決策的寶貴見解。
• 監控和管理模型以保持優化的預測性能。

R是用于統計計算，數據分析和圖形的開源免費編程語言。 R被企業和學術界內越來越多的管理人員和數據分析人員所使用。 R有各種各樣的數據挖掘軟件包。

Predictive analytics is the process of using data analytics to make predictions about the future. This process uses data along with data mining, statistics, and machine learning techniques to create a predictive model for forecasting future events.

In this instructor-led, live training, participants will learn how to use Matlab to build predictive models and apply them to large sample data sets to predict future events based on the data.

By the end of this training, participants will be able to:

• Create predictive models to analyze patterns in historical and transactional data
• Use predictive modeling to identify risks and opportunities
• Build mathematical models that capture important trends
• Use data from devices and business systems to reduce waste, save time, or cut costs

Audience

• Developers
• Engineers
• Domain experts

Format of the course

• Part lecture, part discussion, exercises and heavy hands-on practice

R是用于統計計算，數據分析和圖形的開源免費編程語言。 R被企業和學術界內越來越多的管理人員和數據分析人員所使用。 R有各種各樣的數據挖掘軟件包。

RapidMiner 是一個開源數據科學軟體平臺，用於快速應用程式原型設計和開發。它包括用於數據準備、機器學習、深度學習、文本挖掘和預測分析的集成環境。 

在這個由講師指導的實時培訓中，參與者將學習如何使用 RapidMiner Studio 進行數據準備、機器學習和預測模型部署。 

在本次培訓結束時，參與者將能夠：

• 安裝與設定RapidMiner
• 使用 RapidMiner 準備和可視化數據
• 驗證機器學習模型
• 混搭數據並創建預測模型
• 在業務流程中實施預測分析
• 故障排除和優化 RapidMiner

觀眾

• 數據科學家
• 工程師
• 開發人員

課程形式

• 部分講座、部分討論、練習和大量動手實踐

注意

• 要申請本課程的定製培訓，請聯繫我們進行安排。

这个基于课堂的培训课程将包含演示文稿和基于计算机的示例和案例研究练习。