Data Science workshop

Data Science je disciplínou, která se zaměřuje na porozumění datům. Přesněji poodkrývá, co se skrývá v obrovském množství dat. Jedná se o obor kombinující statistiku, umělou inteligenci, datové inženýrství a byznys analýzu.

Datoví vědci používají při své práci statické metody pokročilé analýzy, techniky strojového učení (machine learning), hloubkové učení (deep learning)  a umělé inteligence (artificial intellegence).

V rámci dvoudenního workshopu se o Data Science dovíte vše podstatné, např. jak v prostředí Big Dat používat známé techniky jako jsou logistická regrese a rozhodovací stromy. vyzkoušíte si modelování náhodných lesů nebo shlukovou analýzu.

Pro všechny, kteří se chtějí dozvědět více a proniknout do problematiky Big Data se zaměřením na Data Science.

• Analytici
• Byznys konzultanti
• Data Scientisti
• Data Stewardi

Představení, agenda

• Rychlé představení účastníků a seznámení s agendou workshopu
• Ověření přístupů
• Distribuce a instalace nástrojů a dat, které budeme v průběhu workshopu používat

Cloudera Data Science Workbench (CDSW)

• Představení analytického nástroje CDSW
• Principy práce v CDSW – založení projektu, správa týmu, nastavení jobů a dependencies

Průzkum a vizualizace dat

• Načtení dat z různých datových zdrojů
• Základní práce s daty
• Zjištění popisných statistik jednotlivých proměnných
• Vizualizace dat pomocí balíčků v Pythonu

Přehled nástrojů ve Sparku určených na transformaci dat

• Demonstrace algoritmů určených na transformaci proměnných
  • Spojitých
  • Kategorických
  • Textových
• Ukázka funkcí pro výběr proměnných do modelu a redukci dimenzionality

Tvorba jednotné pipeline pro transformaci dat

• Skládání jednotlivých transformací do jedné funkce

Trénink modelu a zkoumání výstupů modelu

• Nastavení parametrů modelu logistické regrese
• Výběr vyhodnocovacího kritéria
• Trénink modelu
• Výběr nejlepšího modelu
• Zkoumání vlastností modelu
• Aplikace modelu na testovací data pro zjištění skutečné předpovídací schopnosti modelu

Samostatná práce

• Za každou z výše zmíněných kapitol bude následovat blok věnovaný samostatné práci, kde si budete moci procvičit získané teoretické znalosti

Řešení klasifikačních úloh

• Specifika klasifikačních úloh
• Přehled technik, které nabízí Spark pro řešení klasifikačních úloh
• Úlohy zaměřené na klasifikační stromy a náhodné lesy, Multilayer Perceptron
• Demonstrace použití jednotlivých technik

Řešení regresních úloh

• Specifika regresních úloh
• Přehled technik, které nabízí Spark pro řešení regresních úloh
• Úlohy zaměřené na regresní stromy a náhodné lesy
• Úlohy zaměřené na gradient boosting a další techniky
• Demonstrace použití jednotlivých technik

Aplikace modelu na nová data

• Nasazení modelu na nový datový soubor
• Posouzení kritérií a vyhodnocení testování

Řešení segmentačních úloh

• Přehled technik, které nabízí Spark pro řešení segmentačních úloh
• Demonstrace použití jednotlivých technik

Nasazení modelu na toková data (streaming data)

• Specifika modelování na tokových datech
• Jak nasadit vybraný model na nová toková produkční data a exportovat výsledky

Samostatná práce

• Za každou z výše zmíněných kapitol bude následovat blok věnovaný samostatné práci, kde si budete moci procvičit získané teoretické znalosti

PRAKTICKÉ INFORMACE

Organizační informace k workshopu

• Základní formát je dvoudenní
• Minimální počet zájemců pro konání workshopu je 5, maximální počet je 10 účastníků
• Workshop se koná v prostorech spo­lečnosti Adas­tra

Předpokladem jsou znalosti v oblasti:

• Datové analýzy
• Programování či SQL
• Základní zkušenost s Pythonem
• Základy statistiky

Praktická cvičení

• Součástí workshopu je sada praktických cvičení, při kterých si nabyté teoretické znalosti prověříte na reálných datech.
• Budete řešit skutečné byznysové problémy.

Diskuse

• Interaktivní forma workshopu vám umožní diskutovat o obecných i konkrétních problémech se zkušenými lektory i dalšími účastníky workshopu.
• Počet účastníků je omezen tak, aby měl každý dostatek prostoru k diskusi a samostatné práci.

Hardware pro praktické ukázky

• Adastra zajišťuje technické vybavení v podobě Hadoop laboratoře (vlastní cluster) včetně možnosti připojení na přístupový bod (WiFi nebo LAN)
• Pro praktickou část workshopu je nutný vlastní notebook

Software pro procvičování

• Adastra je stříbrným partnerem společnosti Clou­dera, světového lídra v distribuci Hadoop technologii.
• Vyzkoušíte si práci se špičkovým analytickým nástrojem Cloudera Data Science Workbench, který poskytuje přenositelnost kódů do některého z prostředí Python, Scala nebo R.

Školitelé z týmu Data Science

• Výukou vás budou provázet zkušení lektoři, kteří se s vámi rádi podělí o své know-how a poskytnou vám podporu při řešení samostatných úloh.
• Kromě teoretických znalostí vás lektoři seznámí i se zkušenostmi z praxe.
• Zaměří se především na problémy, které se mohou vyskytnout při řešení datových analýz, a vysvětlí, jak je řešit.