DataRobot培訓

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

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。

預測性分析是使用數據分析來預測未來的過程。此過程使用數據以及數據挖掘、統計和機器學習技術創建可用來預測未來事件的預測模型。

在這一由講師引導的現場培訓中，參與者將學習如何使用Matlab建立預測模型，並將其應用于大樣本數據集，以根據數據預測未來事件。

在培訓結束後，參與者將能夠：

• 創建預測模型來分析曆史和交易數據中的規律
• 使用預測建模來識別風險和機會
• 建立捕捉重要趨勢的數學模型
• 使用來自設備和業務系統的數據來減少浪費、節省時間或降低成本

受衆

• 開發人員
• 工程師
• 領域專家

課程形式

• 部分講座、部分討論、練習和大量實操

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

This classroom based training session will contain presentations and computer based examples and case study exercises to undertake.

RapidMiner是一個開源數據科學軟件平台，用於快速應用程序原型設計和開發。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。

在培訓結束時，參與者將能夠：

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

聽眾

• 數據科學家
• 工程師
• 開發商

課程格式

• 部分講座，部分討論，練習和繁重的實踐練習

注意

• 要申請本課程的定制培訓，請聯繫我們安排。

這種以講師為主導的台灣現場培訓（現場或遠端）針對的是希望使用GLM，深度學習和Random Forest等演演算法構建機器學習模型的技術人員。

在培訓結束時，參與者將能夠：

• 安裝和配置 H2O。
• 使用不同的流行演算法創建機器學習模型。
• 根據數據類型和業務需求評估模型。

這是為期5天的Data Science和AI入門。

本課程隨附使用Python示例和練習

這種以講師為主導的台灣現場現場培訓針對的是希望使用AI通過有價值的客戶洞察力來改進數字行銷策略的營銷人員。

在培訓結束時，參與者將能夠：

• 利用 AI 軟體改善品牌與使用者建立聯繫的方式。
• 使用聊天機器人來優化用戶體驗。
• 通過任務自動化提高生產力和收入。

這種以講師為主導的台灣現場現場培訓針對的是希望了解人工智慧基礎知識併為其組織管理人工智慧專案的經理和業務領導者。

在本次培訓結束時，參與者將能夠在技術層面上了解人工智慧，並利用其組織的數據和資源制定戰略，以成功管理人工智慧專案。

這種以講師為主導的台灣現場現場培訓針對的是希望通過基本AI方法程式設計和創建機器人的工程師。

在培訓結束時，參與者將能夠：

• 實施過濾器（卡爾曼和粒子），使機器人能夠定位其環境中的移動物體。
• 實現搜索演算法和運動規劃。
• 實施 PID 控制以調節機器人在環境中的運動。
• 實施SLAM演算法，使機器人能夠繪製出未知環境。

這種以講師為主導的台灣現場培訓（現場或遠端）面向希望學習和理解人工智慧概念以及如何有效和負責任地使用它的專業人士。

在培訓結束時，參與者將能夠：

• 瞭解 Artificial Intelligence (AI) 的概念。
• 瞭解人工智慧的局限性和危險性，並負責任地使用它。
• 瞭解如何在真實場景中有效使用 AI。

在這個以講師為主導的台灣現場現場培訓中，參與者將學習不同的技術，框架和技術，用於程式設計用於核技術和環境系統領域的不同類型的機器人。

為期 6 周的課程每周 5 天舉行。每天有 4 個小時，包括講座、討論和在現場實驗室環境中動手機器人開發。參與者將完成適用於其工作的各種現實世界專案 ，以實踐他們所獲得的知識。

本課程的目標硬體將通過模擬軟體進行3D模擬。ROS（機器人操作系統）開源框架，C++和Python將用於機器人程式設計。

在培訓結束時，參與者將能夠：

• 了解機器人技術中使用的關鍵概念。
• 瞭解和管理機器人系統中軟體和硬體之間的交互。
• 瞭解並實施支持機器人技術的軟體元件。
• 構建和操作一個類比機械機器人，該機器人可以通過語音查看、感知、處理、導航並與人類互動。
• 瞭解適用於構建智慧機器人的人工智慧（機器學習、深度學習等）的必要元素。
• 實施過濾器（卡爾曼和粒子），使機器人能夠定位其環境中的移動物體。
• 實現搜索演算法和運動規劃。
• 實施 PID 控制以調節機器人在環境中的運動。
• 實施SLAM演算法，使機器人能夠繪製出未知環境。
• 通過Deep Learning擴展機器人執行複雜任務的能力。
• 在真實場景中對機器人進行測試和故障排除。