Интенсив-курс:
"Big Data в Python"
Освойте удобный и мощный инструмент ведения баз данных
и реализуйте в нем полный цикл задач по планированию!
Начните обучение в удобное для Вас время
и реализуйте в нем полный цикл задач по планированию!
Начните обучение в удобное для Вас время
Консультация по курсу Big Data в Python
Пожалуйста, заполните форму заявки.
Менеджеры SCM Академии свяжутся с Вами в течение 15 минут и ответят на все вопросы по курсу.
Менеджеры SCM Академии свяжутся с Вами в течение 15 минут и ответят на все вопросы по курсу.
Заполняя форму, Вы подтверждаете согласие с политикой конфиденциальности.
Python - язык программирования, который используется ведущими компаниями для анализа больших данных. Интегрируется с любыми базами данных, что упрощает обработку данных и позволяет делать более глубокий анализ, а также реализовать полный цикл задач по прогнозированию с использованием единого инструмента, что невозможно сделать с использованием Excel.
За 6 недель на курсе вы пройдете 11 прикладных онлайн-уроков, проработаете на практике изученный материал и многократно повысите эффективность работы с Big Data.
Интенсив-курс "Big Data в Python" - это возможность эффективного обучения в комфортное для Вас время: если не удается посетить онлайн-вебинар, то Вы сможете просмотреть запись в личном кабинете и задать вопросы тренеру. По окончании интенсив-курса все выпускники получат сертификаты SCM Академии.
За 6 недель на курсе вы пройдете 11 прикладных онлайн-уроков, проработаете на практике изученный материал и многократно повысите эффективность работы с Big Data.
Интенсив-курс "Big Data в Python" - это возможность эффективного обучения в комфортное для Вас время: если не удается посетить онлайн-вебинар, то Вы сможете просмотреть запись в личном кабинете и задать вопросы тренеру. По окончании интенсив-курса все выпускники получат сертификаты SCM Академии.
На курсе "Big Data в Python" вы научитесь:
- Создавать имитационные модели бизнес-процессов в цепях поставок
- Производить прогнозирование, кластеризацию и классификацию в Питоне
- Обрабатывать данные в среде Python: агрегация, составление сводных таблиц, предобработка для решения аналитических задач
- Составлять точные прогнозы с помощью модели прогнозирования и ключевых инструментов
Курс будет полезен:
Аналитикам
Специалистам планирования
Специалистам прогнозирования
Содержание курса
Урок 1. Введение.
Организационные вопросы курса и требования для прохождения.
Урок 2. Основы Python.
Циклы, условные конструкции (if else), структуры данных (подробно про dataframe), list comprehension.
Организационные вопросы курса и требования для прохождения.
Урок 2. Основы Python.
Циклы, условные конструкции (if else), структуры данных (подробно про dataframe), list comprehension.
Урок 3. Загрузка данных в Jupyter и первичный анализ данных.
Загрузим таблицу в Юпитер и разберем особенности проверки данных и первичного анализа.
Урок 4. Преобразование первичных данных.
Технические преобразования (замена пустых значений, замена аномалий, изменение типов данных).
Урок 5. Фильтрация, джойны, сводные таблицы.
Практическая проработка.
Загрузим таблицу в Юпитер и разберем особенности проверки данных и первичного анализа.
Урок 4. Преобразование первичных данных.
Технические преобразования (замена пустых значений, замена аномалий, изменение типов данных).
Урок 5. Фильтрация, джойны, сводные таблицы.
Практическая проработка.
Урок 6. Прогнозирование, часть 1.
Подготовка данных для прогнозирования. Инструменты анализа временных рядов.
Урок 7. Прогнозирование, часть 2.
АРИМА: узнаем, как ее настраивать, сделаем прогноз по ней и замерим точность.
Урок 8. Прогнозирование, часть 3.
Дерево решений и случайный лес: научимся настраивать, сделаем прогноз и замерим точность.
Урок 9. Имитационное моделирование, часть 1.
Разберем задачу разработки моделей имитационного моделирования в ЦП на примере модели маршрута доставки товаров.
Урок 10. Имитационное моделирование, часть 2.
Проанализируем данные и создадим модель.
Урок 11. Кластеризация.
Разберем задачу кластеризации магазинов. Применим К-средних и научимся настраивать кластеризацию.
Подготовка данных для прогнозирования. Инструменты анализа временных рядов.
Урок 7. Прогнозирование, часть 2.
АРИМА: узнаем, как ее настраивать, сделаем прогноз по ней и замерим точность.
Урок 8. Прогнозирование, часть 3.
Дерево решений и случайный лес: научимся настраивать, сделаем прогноз и замерим точность.
Урок 9. Имитационное моделирование, часть 1.
Разберем задачу разработки моделей имитационного моделирования в ЦП на примере модели маршрута доставки товаров.
Урок 10. Имитационное моделирование, часть 2.
Проанализируем данные и создадим модель.
Урок 11. Кластеризация.
Разберем задачу кластеризации магазинов. Применим К-средних и научимся настраивать кластеризацию.
Тренер курса:
- Азамат АслахановТренер SCM Академии, ведущий аналитик направления Data Science для цепей поставок.Разрабатывал аналитические модели и методы повышения эффективности цепей поставок (прогнозирование, управление запасами в многоуровневых системах). Участвовал в проектах по разработке и внедрению аналитических решений для коммерческих и государственных заказчиков.
В рамках магистерской и кандидатской диссертаций разработка программы-робота для управления запасами в цепях поставок .
Отзывы студентов SCM Академии
Остались вопросы по курсу
"Big Data в Python"?
Мы готовы ответить!
"Big Data в Python"?
Мы готовы ответить!
Заполните форму заявки на консультацию.
В течение 15 минут Вам перезвонит менеджер SCM Академии и ответит на все вопросы об интересующем Вас курсе.
В течение 15 минут Вам перезвонит менеджер SCM Академии и ответит на все вопросы об интересующем Вас курсе.
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности