Анализ больших данных

- информационные технологии (программное обеспечение), применяемые в организации, в объеме, необходимом для целей бизнес-анализа в области больших данных (Big Data);

- выбирать необходимое прикладное программное обеспечение в зависимости от решаемой задачи в области больших данных;
- применять информационные технологии в объеме, необходимом для целей бизнес-анализа;

- профессиональными пакетами прикладных программ, Power BI Desktop, Qlik Sense, Tableau, для информационно-аналитического сопровождения деятельности в области больших данных;
- инструментами и технологиями выявления, сбора и анализа информации бизнес-анализа для формирования возможных решений с помощью Azure ML Studio, KNIME Analytics Platform, RapidMiner Studio, Loginom.

- возможности и особенности технологий сбора, хранения и анализа больших данных, технологии OLAP и Data Mining;
- методы сбора, анализа, систематизации, хранения и поддержания в актуальном состоянии информации бизнес-анализа в области больших данных

- определять связи и зависимости между элементами информации бизнес-анализа в области больших данных;
- использовать современные информационные технологии аналитики, технологии OLAP и Data Mining для информационно-аналитического сопровождения деятельности организации;

- анализом потребностей заинтересованных сторон в области больших данных (Big Data);
- инструментами и технологиями выявления, сбора и анализа информации бизнес-анализа для формирования возможных решений в области больших данных (Big Data) .

- предметную область и специфику деятельности организации в объеме, достаточном для решения задач бизнес-анализа в области больших данных (Big Data)

- самостоятельно определять цели исследования и ставить задачи в области больших данных (Big Data)

- навыками получения, анализа, обобщения и систематизации информации, используемой в производственном процессе в области больших данных (Big Data)

- предметную область и специфику деятельности организации в объеме, достаточном для решения задач бизнес-анализа в области больших данных (Big Data);
- основы SQL - функции SELECT, WHERE, ORDER BY, LIKE, JOIN, Date и String, функции агрегирования SQL - SUM, AVG, COUNT, HAVING и GROUP BY;
- основы библиотек Python для Data Science: NumPy, Pandas, Matplotlib, scikit-learn.

- оформлять результаты бизнес-анализа в соответствии с выбранными подходами в области больших данных;
- анализировать внутренние (внешние) факторы и условия, влияющие на деятельность организации в области больших данных (Big Data).

- анализом потребностей заинтересованных сторон в области больших данных (Big Data);
- платформами научных исследований и машинного обучения для выявления закономерностей из больших данных Azure ML Studio, KNIME Analytics Platform, RapidMiner Studio, Loginom;
- навыками применения технологий машинного обучения платформ KNIME Analytics Platform, RapidMiner Studio для решения анализа больших данных и принятия решений.

- языки визуального моделирования в области больших данных;
- правила и методы построения OLAP-кубов, аналитических отчетов, дэшбордов, информационных панелей мониторинга и сторителлинга для получения знаний с целью поддержки принятия решений;
- информационные технологии (программное обеспечение), применяемые в организации, в объеме, необходимом для целей бизнес-анализа в области больших данных (Big Data);
- методику KDD (Knowledge Discovery in Databases), используемую при разработке моделей и решении стандартных задач Data Mining.

- анализировать внутренние (внешние) факторы и условия, влияющие на деятельность организации в области больших данных (Big Data);
- определять связи и зависимости между элементами информации бизнес-анализа в области больших данных;
- применять методы машинного обучения в облачных хранилищах Google BigQuery (Amazon Redshift, Snowflake) на SQL;
- проводить оценку эффективности решения с точки зрения выбранных критериев в области больших данных.

- методами анализа решений с точки зрения достижения целевых показателей решений в области больших данных;
- технологиями оценки ресурсов, необходимых для реализации решений в области больших данных;
- методами применения фреймворков машинного обучения: scikit-learn, XGBoost, LightGBM, CatBoost, PyCaret, H2O AutoML, AutoGluon, TensorFlow, AutoKeras для решения задач классификации и регрессии изображений и текстов на табличных данных.

-теоретические и прикладные основы анализа больших данных;
-современные методы и инструментальные средства анализа больших данных (Big Data);
- типы больших данных: метаданные, полуструктурированные, структурированные, неструктурированные;
- облачные технологии, облачные сервисы в области больших данных.

- разрабатывать и оценивать модели больших данных;
- использовать OLAP-технологии и технологии интерактивной визуализации данных;;
- проводить интеграцию и преобразование больших объемов данных;
- оценивать стоимость данных для проведения аналитических работ области больших данных.

- источниками больших данных для анализа, идентификация внешних и внутренних источников данных для проведения аналитических работ;
- инструментами формирования аналитических отчетов, интерактивных дашбордов для анализа больших данных в Power BI Desktop, Qlik Sense, Tableau.

- предметную область анализа больших данных;
-теоретические и прикладные основы анализа больших данных;
-современные методы и инструментальные средства анализа больших данных (Big Data);
- технологии анализа данных: статистический анализ, семантический анализ, анализ изображений, машинное обучение, методы сравнения средних, частотный анализ, анализ соответствий, кластерный анализ, дискриминантный анализ, факторный анализ, деревья классификации, многомерное шкалирование, моделирование структурными уравнениями, методы анализа выживаемости, временные ряды, планирование экспериментов, карты контроля качества;
- типы больших данных: метаданные, полуструктурированные, структурированные, неструктурированные;
- распределенный анализ данных;
- методы машинного обучения в облачных хранилищах Google BigQuery (Amazon Redshift, Snowflake) на SQL.

- разрабатывать и оценивать модели больших данных;
- использовать инструментальные средства для извлечения, преобразования, хранения и обработки больших данных из разнородных источников, в том числе в режиме реального времени;
- проводить сравнительный анализ методов и инструментальных средств анализа больших данных (Big Data).

- методами и инструментальными средствами разработки интерактивных дашбордов для анализа больших данных в Power BI Desktop, Qlik Sense, Tableau;
- методами разработки, поверки и оценка используемых моделей больших данных (Big Data);
- методами адаптации и развертывания моделей больших данных в предметной среде.