Назад
III уровень Большие данные

Python и SQL для анализа данных (Data Engineer)

Финансовый университет при Правительстве Российской Федерации
256,00 часов длительность
Онлайн формат
Базовый уровень
1 поток (закрыт) 26.06-16.10.2023
2 поток (закрыт) 07.08-27.11.2023

Описание

Наименование образовательных и профессиональных стандартов, используемых при разработке программы повышения квалификации.

  1. Федеральный государственный образовательный стандарт высшего образования. Уровень высшего образования. Бакалавриат. Направление подготовки. 09.03.03 Прикладная информатика, утвержденный приказом Министерства образования и науки РФ от 12 марта 2015 г. N 207;
  2. Профессиональный стандарт «Бизнес-аналитик», утвержденный приказом Министерства труда и социальной защиты РФ от 25 сентября 2018 г. N 592н;
  3. Профессиональный стандарт "Специалист по большим данным", утвержденный приказом Министерства труда и социальной защиты РФ от 6 июля 2020 г. N 405н.

Описание перечня профессиональных компетенций в рамках имеющейся квалификации, качественное изменение которых осуществляется в процессе обучения

Программа повышения квалификации основана на требованиях профессиональных стандартов:

- «Бизнес-аналитик», утвержденный приказом Министерства труда и социальной защиты РФ от 25 сентября 2018 г. N 592н в части обобщенных трудовых и трудовых функций:

  • ОТФ C - Выявление бизнес-проблем или бизнес-возможностей;
  • ТФ C/01.5 - Сбор информации о бизнес-проблемах или бизнес-возможностях;
  • ОТФ D - Обоснование решений;
  • ТФ D/02.6 - Анализ, обоснование и выбор решения.

- "Специалист по большим данным", утвержденный приказом Министерства труда и социальной защиты РФ от 6 июля 2020 г. N 405н:

  • ОТФ А - Анализ больших данных с использованием существующей в организации методологической и технологической инфраструктуры;
  • ТФ А/03.6 - Подготовка данных для проведения аналитических работ по исследованию больших данных;
  • ТФ А/04.6 Проведение аналитического исследования с применением технологий больших данных в соответствии с требованиями заказчика;
  • ОТФ В - Управление этапами жизненного цикла методологической и технологической инфраструктуры анализа больших данных в организации;
  • ТФ B/05.7 Управление получением, хранением, передачей, обработкой больших данных.

Программа имеет следующую структуру:

Модуль 1. Аналитика: инструменты, методы, показатели.

Цель модуля: приобретение слушателями компетенций, необходимых для понимания и эффективной работы в области анализа больших данных, инструментов и технологий, позволяющих анализировать результаты внутренних процессов организации с помощью Google таблиц и Data Studio.

Модуль 2. Python и анализ данных

Цель модуля: приобретение слушателями компетенций, необходимых для понимания и эффективной работы в области анализа больших данных, инструментов и технологий, позволяющих анализировать результаты внутренних процессов организации с помощью инструментов языка Python.

Модуль 3. SQL и получение данных

Цель модуля: приобретение слушателями компетенций в области локальных корпоративных хранилищ данных, современных технологий Big Data; языка программирования SQL для аналитики больших данных и облачных технологий обработки больших данных.

Модуль 4. Визуализация данных

Цель модуля: приобретение слушателями компетенций, необходимых для выработки возможных решений посредством сбора и анализа больших данных и элементами информации бизнес-анализа.

Модуль 5. Основные модели машинного обучения

Цель модуля: приобретение слушателями компетенций, необходимых для эффективной работы в области анализа больших данных машинного обучения; изучение инструментов и технологий создания, обучения, оценки и развертывания моделей машинного обучения на Python.

Модуль 6. Глубокое машинное обучение и обработка больших данных

Цель модуля: приобретение слушателями компетенций, необходимых для эффективной работы в области продвинутого анализа и обработки больших данных машинного обучения; изучение инструментов и технологий обработки больших данных, построения рекомендательных систем и обработки естественного языка.

Часов в программе
46,00 часов
лекции
68,00 часов
практика
122,00 часа
самостоятельная
12,00 часов
промежуточная аттестация
1 час
входная диагностика
7 часов
итоговая аттестация
256,00 часов
всего
Цель программы
Программа направлена на совершенствование и (или) получение новых профессиональных компетенций, необходимых для профессиональной деятельности, и (или) повышение профессионального уровня в области искусственного интеллекта и больших данных при реализации проектов и разработки новых решений на основе данных, способность применять языки программирования SQL и Python для сбора, визуализации, анализа больших данных и машинного обучения, применять конкретные аналитические и продуктовые подходы при работе над реальными задачами маркетинговой и клиентской аналитики с помощью BI платформ.
Актуальность
Успешное прохождение обучение по предложенной программе повышения квалификации позволит работать в самых разных отраслях, как технических, так и нетехнических. Овладение новой специальностью в области искусственного интеллекта и в смежных областях с использованием механизма персональных цифровых сертификатов дает хорошие перспективы трудоустройства, так как в настоящее есть растущая потребность в профессионалах в этой области. Поскольку все больше и больше компаний стремятся использовать данные и искусственный интеллект для получения конкурентного преимущества, спрос на специалистов по данным будет продолжать расти.
Техническим отраслям потребуется специалист по данным для разработки и внедрения решений, основанных на данных, для улучшения продуктов и услуг компании. Финансовые учреждения могут получить поддержку путем анализа финансовых данных для обоснования инвестиционных решений или выявления мошеннических действий. А специалисты по данным в организациях здравоохранения могут анализировать данные пациентов, чтобы улучшить свои результаты и поддержать медицинские исследования.
Входная диагностика 1 час
Электронное тестирование – это стандартизированный метод оценки знаний, умений, навыков обучающихся
Итоговая аттестация 7 часов
Итоговый экзамен – защита практической работы. Данная форма аттестации является наиболее надежной и оптимальной формой контроля знаний в рамках обучения, позволяющая в полном объеме проверить глубину полученных теоретических и практических знаний.

Компетенции

Профессиональные

ПК-1 – способность к сбору информации о бизнес-проблемах или бизнес-возможностях в области больших данных
Знать:

- 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.

Уметь:

- 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).

Владеть:

- анализом потребностей заинтересованных сторон в области больших данных (Big Data);
- платформами научных исследований и машинного обучения для выявления закономерностей из больших данных 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.

ПК-2 – овладение анализом, обоснованием и выбором решения в области больших данных
Знать:

- 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

Уметь:

- 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 на SQL;
- проводить оценку эффективности решения с точки зрения выбранных критериев в области больших данных.

Владеть:

- 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.

ПК-3 – способность к подготовке данных для проведения аналитических работ по исследованию больших данных
Знать:

-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.

Уметь:

- 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.

Владеть:

- 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, Tableau.

ПК-4 – способность проведения аналитического исследования с применением технологий больших данных в соответствии с требованиями заказчика
Знать:

- 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 на SQL.

Уметь:

- 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).

Владеть:

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

Общепрофессиональные

ОПК – Способен разрабатывать оригинальные алгоритмы и программные средства, в том числе с использованием современных интеллектуальных технологий, для решения профессиональных задач
Знать:

Содержание профессии «Инженер данных»: потребность и ценность, задачи, навыки, инструменты в классификации данных. Обязанности и функция в команде.
Технологии DataScience и BigData для решения практических задач. Данные и источники, характеристики, корреляция.
Синтаксис и структуры в Python.
Использование библиотек NumPy, SciPy для вычислений, их отличия.
Обработка данных в Python. Библиотека Pandas.
Библиотеки визуализации Python Matplotlib, Seaborn, Plotly, Bokeh, Altair, Folium

Уметь:

Формулировать задачи инженера данных, основные вызовы, стоящие перед ним.
Различать структурированные, полуструктурированные и неструктурированные данные.
Решать практические задачи используя базовые конструкции и структуры языка Python (основные функции для работы со списками и кортежами, структуру словарей и множеств).
Решать практические задачи на Python используя библиотеки Pandas
Решать практические задачи на Python используя библиотеки Matplotlib, Seaborn, Plotly

Владеть:

Установки и настройки среды разработки Python (Anaconda или др.)
Решения задач на Python используя библиотеки NumPy и Scipy
Загрузки датасета, преобразования и осуществления срезов данных, проведения описательного анализа, построения графиков распределения, визуализации разных признаков, их распределения, агрегирования признаков, выявления топа коррелируемых признаков, оценки взаимосвязи

Профессиональные

ПК-1.р. – Способен классифицировать и идентифицировать задачи искусственного интеллекта, выбирать адекватные методы и инструментальные средства решения задач искусственного интеллекта
Знать:

- основные виды представления данных: табличные, графовые, временные ряды;
- основные определения, историю развития, и главные тренды ИИ

Уметь:

- применять инструменты, технологии и библиотеки Data Science при разработке решений на основе ИИ;
- использовать цифровые платформы анализа данных для решения профессиональных задач

Владеть:

- навыком классификации и идентификации задач систем искусственного интеллекта в зависимости от особенностей проблемной и предметной областей;
- навыком выбора методов и инструментальных средств искусственного интеллекта для решения задач в зависимости от особенностей проблемной области.
- навыком сбора исходной информации и формирования требований к решению задач с использованием методов искусственного интеллекта

ПК-4.р. – Способен разрабатывать и применять методы машинного обучения для решения задач
Знать:

- основные принципы, процесс, стадии и методологии разработки решений на основе ИИ;
- основные технологии DS и BigData, используемые для решения практических задач

Уметь:

- применять язык программирования Python и библиотеки при разработке решений на основе ИИ;
- реализовывать методы машинного обучения

Владеть:

- навыком проведения анализа требований и определения необходимых классов задач машинного обучения;
- навыком определения метрики оценки результатов моделирования и критериев качества построенных моделей;
- навыком оценки и выбора используемых методов машинного обучения

ПК-5.р. – Способен использовать инструментальные средства для решения задач машинного обучения
Знать:

- основные принципы, процесс, стадии и методологии разработки решений на основе ИИ;
- основные инструменты анализа данных и ML (RapidMiner)

Уметь:

- применять инструменты, технологии и библиотеки Data Science при разработке решений на основе ИИ;
- применять язык программирования Python и библиотеки при разработке решений на основе ИИ;
- использовать основные статистические методы анализа данных при решении профессиональных задач

Владеть:

- навыком проведения оценки и выбора инструментальных средств для решения поставленной задачи;
- навыком разработки модели машинного обучения для решения задач

ПК-6.р. – Способен создавать и поддерживать системы искусственного интеллекта на основе нейросетевых моделей и методов
Знать:

- знать основные виды нейронных сетей
- знать теорию развития искусственного интеллекта и его инструментальных средств

Уметь:

- осуществлять оценку и выбор моделей искусственных нейронных сетей и инструментальных средств для решения поставленной задачи
- разрабатывать системы искусственного интеллекта на основе моделей искусственных нейронных сетей и инструментальных средств

Владеть:

- навыками работы с технологиями глубокого обучения, нейронных сетей, машинного обучения, обработкой естественного языка, когнитивного вычисления и компьютерного видения

ПК-8.р. – Способен разрабатывать системы анализа больших данных
Знать:

ПК-8.1.р. Разрабатывает программные компоненты извлечения, хранения, подготовки больших данных с учетом вариантов использования больших данных, определений, словарей и эталонной архитектуры больших данных
ПК-8.2.р. Разрабатывает программные компоненты обработки, удаленной, распределенной и объединенной аналитики, использования результатов анализа, описания и управления качеством и достоверностью больших данных

Уметь:

ПК-8.1.р. Разрабатывает программные компоненты извлечения, хранения, подготовки больших данных с учетом вариантов использования больших данных, определений, словарей и эталонной архитектуры больших данных
ПК-8.2.р. Разрабатывает программные компоненты обработки, удаленной, распределенной и объединенной аналитики, использования результатов анализа, описания и управления качеством и достоверностью больших данных

Владеть:

ПК-8.1.р. Разрабатывает программные компоненты извлечения, хранения, подготовки больших данных с учетом вариантов использования больших данных, определений, словарей и эталонной архитектуры больших данных
ПК-8.2.р. Разрабатывает программные компоненты обработки, удаленной, распределенной и объединенной аналитики, использования результатов анализа, описания и управления качеством и достоверностью больших данных

ПК-9.р. – Способен создавать и внедрять одну или несколько сквозных цифровых субтехнологий искусственного интеллекта
Знать:

ПК-9.1.р. Участвует в реализации проектов в области сквозной цифровой субтехнологии «Компьютерное зрение»
ПК-9.2.р. Участвует в реализации проектов в области сквозной цифровой субтехнологии «Обработка естественного языка»
ПК-9.3.р. Участвует в реализации проектов в области сквозной цифровой субтехнологии «Рекомендательные системы и системы поддержки принятия решений»
ПК-9.4.р. Участвует в реализации проектов в области сквозной цифровой субтехнологии «Распознавание и синтез речи»
ПК-9.5.р. Участвует в реализации проектов в области перспективных сквозных цифровых субтехнологий искусственного интеллекта

Уметь:

ПК-9.1.р. Участвует в реализации проектов в области сквозной цифровой субтехнологии «Компьютерное зрение»
ПК-9.2.р. Участвует в реализации проектов в области сквозной цифровой субтехнологии «Обработка естественного языка»
ПК-9.3.р. Участвует в реализации проектов в области сквозной цифровой субтехнологии «Рекомендательные системы и системы поддержки принятия решений»
ПК-9.4.р. Участвует в реализации проектов в области сквозной цифровой субтехнологии «Распознавание и синтез речи»
ПК-9.5.р. Участвует в реализации проектов в области перспективных сквозных цифровых субтехнологий искусственного интеллекта

Владеть:

ПК-9.1.р. Участвует в реализации проектов в области сквозной цифровой субтехнологии «Компьютерное зрение»
ПК-9.2.р. Участвует в реализации проектов в области сквозной цифровой субтехнологии «Обработка естественного языка»
ПК-9.3.р. Участвует в реализации проектов в области сквозной цифровой субтехнологии «Рекомендательные системы и системы поддержки принятия решений»
ПК-9.4.р. Участвует в реализации проектов в области сквозной цифровой субтехнологии «Распознавание и синтез речи»
ПК-9.5.р. Участвует в реализации проектов в области перспективных сквозных цифровых субтехнологий искусственного интеллекта

ПК-5 – способность управлять этапами жизненного цикла методологической и технологической инфраструктуры анализа больших данных в организации.
Знать:

- знать ИТ-сервисы и их инструментарий
- знать комплексы обработки информации
- знать этапами жизненного цикла инфраструктуры АБД в организации

Уметь:

- планировать интеграцию и внедрение открытых ИТ-сервисов для создания сложных комплексов обработки информации
- разрабатывать интеллектуальные информационные системы и сервисы на основе инфраструктурных решений и аналитики больших данных
- проектировать интеллектуальные информационные системы, на основе методов машинного обучения
применять современные методы для решения задач управления программнотехническими ресурсами и человеческими ресурсами

Владеть:

- навыками работы с жизненным циклом инфраструктуры АБД в организации
- навыками компетентного общения между сотрудниками отелов АБД инженерии
- навыками работы с программами и языковыми моделями для анализа данных

Требования

Рекомендуемые требования к уровню подготовленности, которым должны обладать граждане при поступлении на программу:

  • лица, имеющие среднее профессиональное или высшее образование;
  • лица, получающие высшее образование.
     
  • понимание принципов машинного обучения, Data Science;
  • понимание назначения BigData-систем;
  • понимание процесса постановки на мониторинг бизнес-приложений, бизнес-сервисов;
  • знание основ теории вероятностей и математической статистики;
  • понимание принципа работы A/B-тестов и метода Bootstrap;
  • знание основ классических ML-алгоритмов;
  • знание базовых принципов работы с данными и видов данных;
  • владение принципами внедрения проектов на основе данных.
Образование
  • Высшее образование
  • Среднее профессиональное образование
Иные требования и рекомендации для обучения по программе

Рекомендуемые требования к уровню подготовленности, которым должны обладать граждане при поступлении на программу:

  • лица, имеющие среднее профессиональное или высшее образование;
  • лица, получающие высшее образование.
     
  • понимание принципов машинного обучения, Data Science;
  • понимание назначения BigData-систем;
  • понимание процесса постановки на мониторинг бизнес-приложений, бизнес-сервисов;
  • знание основ теории вероятностей и математической статистики;
  • понимание принципа работы A/B-тестов и метода Bootstrap;
  • знание основ классических ML-алгоритмов;
  • знание базовых принципов работы с данными и видов данных;
  • владение принципами внедрения проектов на основе данных.

Модули

свернуть
42,00ч
Модуль 1 Инструменты и методы бизнес-аналитики
Цель модуля: приобретение слушателями компетенций, необходимых для понимания и эффективной работы в области анализа больших данных, инструментов и технологий, позволяющих анализировать результаты внутренних процессов организации с помощью Google таблиц и Data Studio
Подробнее
38,00ч
Модуль 3 Применение SQL для работы с данными
Цель модуля: приобретение слушателями компетенций в области локальных корпоративных хранилищ данных, современных технологий Big Data; языка программирования SQL для аналитики больших данных и облачных технологий обработки больших данных.
Подробнее
46,00ч
Модуль 5 Основные методы машинного обучения
Цель модуля: приобретение слушателями компетенций, необходимых для эффективной работы в области анализа больших данных машинного обучения; изучение инструментов и технологий создания, обучения, оценки и развертывания моделей машинного обучения на Python.
Подробнее
42,00ч
Модуль 2 Анализ данных с применением Python
Цель модуля: приобретение слушателями компетенций, необходимых для понимания и эффективной работы в области анализа больших данных, инструментов и технологий, позволяющих анализировать результаты внутренних процессов организации с помощью инструментов языка Python.
Подробнее
38,00ч
Модуль 4 Визуализация данных
Цель модуля: приобретение слушателями компетенций, необходимых для выработки возможных решений посредством сбора и анализа больших данных и элементами информации бизнес-анализа.
Подробнее
42,00ч
Модуль 6 Глубокое машинное обучение и обработка больших данных
Цель модуля: приобретение слушателями компетенций, необходимых для эффективной работы в области продвинутого анализа и обработки больших данных машинного обучения; изучение инструментов и технологий обработки больших данных, построения рекомендательных систем и обработки естественного языка (NLP).
Подробнее
42,00ч
Модуль 1 Инструменты и методы бизнес-аналитики
Цель модуля: приобретение слушателями компетенций, необходимых для понимания и эффективной работы в области анализа больших данных, инструментов и технологий, позволяющих анализировать результаты внутренних процессов организации с помощью Google таблиц и Data Studio
Подробнее
42,00ч
Модуль 2 Анализ данных с применением Python
Цель модуля: приобретение слушателями компетенций, необходимых для понимания и эффективной работы в области анализа больших данных, инструментов и технологий, позволяющих анализировать результаты внутренних процессов организации с помощью инструментов языка Python.
Подробнее
38,00ч
Модуль 3 Применение SQL для работы с данными
Цель модуля: приобретение слушателями компетенций в области локальных корпоративных хранилищ данных, современных технологий Big Data; языка программирования SQL для аналитики больших данных и облачных технологий обработки больших данных.
Подробнее
38,00ч
Модуль 4 Визуализация данных
Цель модуля: приобретение слушателями компетенций, необходимых для выработки возможных решений посредством сбора и анализа больших данных и элементами информации бизнес-анализа.
Подробнее
46,00ч
Модуль 5 Основные методы машинного обучения
Цель модуля: приобретение слушателями компетенций, необходимых для эффективной работы в области анализа больших данных машинного обучения; изучение инструментов и технологий создания, обучения, оценки и развертывания моделей машинного обучения на Python.
Подробнее
42,00ч
Модуль 6 Глубокое машинное обучение и обработка больших данных
Цель модуля: приобретение слушателями компетенций, необходимых для эффективной работы в области продвинутого анализа и обработки больших данных машинного обучения; изучение инструментов и технологий обработки больших данных, построения рекомендательных систем и обработки естественного языка (NLP).
Подробнее

Преподаватели

Добровольский

Игорь Николаевич

Финансовый университет при Правительстве Российской Федерации

Технический директор CTO REACTOR FZCO, UAE

кандидат экономических наук

https://leader-id.ru/users/1266850

Сахнюк

Павел Анатольевич

Финансовый университет при Правительстве Российской Федерации

Доцент кафедры кафедры бизнес-информатики Факультета информационных технологий и анализа больших данных Финансового университета

кандидат технических наук

доцент

https://leader-id.ru/users/1145518

Варнавский

Андрей Владимирович

Финансовый университет при Правительстве Российской Федерации

Руководитель Блокчейн-лаборатории Финансового университета

кандидат экономических наук

доцент

http://wiki.fa100.ru/index.php?title=%D0%92%D0%B0%D1%80%D0%BD%D0%B0%D0%B2%D1%81%D0%BA%D0%B8%D0%B9,_%D0%90%D0%BD%D0%B4%D1%80%D0%B5%D0%B9_%D0%92%D0%BB%D0%B0%D0%B4%D0%B8%D0%BC%D0%B8%D1%80%D0%BE%D0%B2%D0%B8%D1%87

Андриянов

Никита Андреевич

Финансовый университет при Правительстве Российской Федерации

Доцент кафедры анализа данных и машинного обучения Факультета информационных технологий и анализа больших данных Финансового университета

Кандидат технических наук

доцент

http://www.fa.ru/_layouts/15/ViewProfile.aspx?accountname=FADOMAIN\NAAndriyanov&ReturnUrl=http://www.fa.ru/org/dep/findata/Pages/PersonList.aspx
86 000 p
Авторизуйтесь чтобы записаться

Профстандарт

Профессиональный стандарт «Специалист по большим данным», утвержденный приказом Министерства труда и социальной защиты РФ от 6 июля 2020 г. N 405н

06.042

Специальность

Инженер данных (Data Engineer)

Ответственный за программу

tboltenko@fa.ru

+74992772807