BIG DATA с нуля [Нетология]

Big data — инструменты, подходы и методы обработки огромных объёмов данных. По сути это альтернатива традиционным системам обработки данных. Если вам требуется общее расширение кругозора в теме технологий работы с данными и необходимость апгрейда на текущем месте работы, курс даст возможность расширить профессиональные навыки, работать с новыми задачами и быстро приносить результаты в проектах. Зачем изучать Big Data Up skill профессии Вас ждёт апгрейд навыков в аналитике данных и понимание, зачем и где нужна big data, новая траектория развития карьеры и более сложные рабочие проекты. Расширение кругозора Вы расширите свой кругозор, освоите технологии для перехода на уровень middle и сможете быстрее выполнять свои рабочие задачи. Переход в новую область Курс даёт ключевые технологии и навыки для старта погружения в самую горячую профессиональную область. Вы получите практику, достойную включения в резюме. Что вы узнаете на курсе Как собрать и управлять командой big data проекта Освоите подход CRISP-DM: межотраслевой стандартный процесс для исследования данных. Определите компетенции и состав команды. Как создать стратегию работы с большими данными Определите, сколько данных вам нужно для нахождения инсайтов. Найдёте задачи под биг дату в своей компании. Как улучшить результаты обработки данных Поймёте, как и по каким правилам хранить данные. Сможете обосновывать влияние на сбор данных, мониторинг и отчётность. Аналитика больших данных Часто аналитик данных нужен именно в тех компаниях, которые накопили «какую-то свою» Big data. Чтобы понимать, как он может принести пользу для бизнеса, нужно владеть не только стандартными инструментами вроде Excel и SQL, но и знать характерные только для больших данных принципы обработки, иметь представление о компонентах экосистемы Hadoop и облачных платформах для реализации решений по Big data. Мы не только поговорим об этом, но и попрактикуемся работать с главными инструментами. Традиционные аналитические подходы. Причины выбора Big data среди многообразия подходов Машинные методы для обработки данных. Как перестать реагировать и начать прогнозировать Культура сбора и источники данных. Дорожная карта и главное правило аналитика Предобработка и визуализация данных в pandas для отчётности на примере международного ритейлера Улучшение качества работы с данными. Основы архитектуры хранения и обработки больших данных, виды обработки и масштабирования Основы работы в Hadoop и MapReduce. Обзор облачных платформ: AWS, EMR, Azure и прочих Продвинутые подходы в MapReduce. Работа в pyspark, доступная каждому Организация команды для работы с данными. CRISP-DM