Благодаря специализации МВА в области управления наукой о данных вы станете лучшим кандидатом для управления любой командой, привнося уникальную аналитическую и техническую точку зрения" 

Сотрудники любой компании, перешедшей в цифровую реальность, нуждаются в многопрофильных специалистах. Эти команды, как правило, имеющие высокую квалификацию, требуют еще более специализированного управления, адаптированного к уровню их знаний. Программа Профессиональной магистерской специализации MBA в области управления наукой о данных охватывает эту трудовую сферу, предоставляя студентам уникальный и полезный набор знаний для руководства рабочими командами. Используя науку о данных и глубокую аналитику, студент сможет быстро принимать решения с глобальной деловой перспективой, понимая все реалии, которые окружают эти сложные и меняющиеся бизнес-среды. 

Материал программы охватывает все аспекты, необходимые для успешного руководства, с аналитической точки зрения, управление, манипулирование и интерпретация собранных данных; оптимальные устройства и платформы для управления данными; добыча данных, построение графиков данных и прогнозное моделирование на основе данных; и, наконец, лидерство и эффективное общение в больших рабочих группах. В дополнение ко всему вышеперечисленному, есть и другие дополнительные, более технические навыки, которые делают этот курс универсальным и полным. 

Кроме того, студент будет иметь возможность изучать эту программу в своем собственном темпе, поскольку программа проходит в формате онлайн, без фиксированного расписания или обязательства посещать учебное заведение. Учебный материал доступен в любое время, и студенты могут подстраивать свое обучение под личные или профессиональные обязанности. 

С объемом полученных знаний в рамках Профессиональной магистерской специализации MBA в области управления наукой о данных у вас будет все необходимое, чтобы начать свою карьеру и достичь новых высот и целей" 

Данная Профессиональная магистерская специализация MBA в области управления наукой о данных содержит самую полную и актуальную программу на рынке. Основными особенностями обучения являются: 

• Разработка практических кейсов, представленных специалистами в области управления и анализа данных  
• Наглядное, схематичное и исключительно практичное содержание курса предоставляет научную и практическую информацию по тем дисциплинам, которые необходимы для осуществления профессиональной деятельности 
• Практические упражнения для самопроверки, контроля и улучшения успеваемости 
• Особое внимание уделяется инновационным методологиям в области науки о данных 
• Теоретические занятия, вопросы эксперту, дискуссионные форумы по спорным темам и самостоятельная работа 
• Учебные материалы курса доступны с любого стационарного или мобильного устройства с выходом в интернет 

Наиболее квалифицированные и знающие специалисты - это те, кто может изменить ситуацию в спорной и конкурентной бизнес-среде. Добейтесь успеха там, где другие потерпели неудачу, используя навыки лидерства и знания в области науки о данных" 

В преподавательский состав программы входят профессионалы в области управления бизнесом и науки о данных, которые вносят свой опыт работы в эту программу, а также признанные специалисты, принадлежащие к ведущим научным сообществам и университетам. 

Мультимедийное содержание программы, разработанное с использованием новейших образовательных технологий, позволит специалисту пройти обучение с учетом ситуации и контекста, то есть в интерактивной среде, которая обеспечит погружение в учебный процесс, запрограммированный на обучение в реальных ситуациях. 

Формат этой программы ориентирован на проблемное обучение, с помощью которого специалист должен попытаться разрешить различные ситуации профессиональной практики, возникающие на протяжении всей программы. Для этого практикующему будет помогать инновационная интерактивная видеосистема, созданная известными и опытными специалистами.  

Это ваш момент для достижения вершин в профессиональной карьере. Пройдите программу MBA в области управления наукой о данных и претендуйте на работу, о которой вы всегда мечтали"

TECH предлагает вам возможность учиться в своем собственном темпе. У вас есть уникальная возможность улучшить свое резюме и выделиться среди лучших"

Профессиональная магистерская специализация MBA в области управления наукой о данных состоит из 19 модулей с различными темами и подтемами в каждом, в которых вся информация собрана в точной и ясной форме, чтобы студент не испытывал трудностей при прохождении обучения. В ходе обучения студент изучит инновационные методики работы, различные способы управления и хранения данных, а также способы разрешения и посредничества в возможных трудовых конфликтах различного рода, а также другие знания, которые пригодятся ему в профессиональной деятельности по управлению рабочими группами. 

Данная Профессиональная магистерская специализация MBA в области управления наукой о данных дает вам возможность получить передовые знания в наиболее сжатой и точной форме"    

Модуль 1. Аналитика данных в организации бизнеса

1.1. Бизнес-анализ

1.1.1. Бизнес-анализ
1.1.2. Структура данных
1.1.3. Этапы и элементы

1.2. Аналитика данных в компании

1.2.1. Приборные панели и Kpi по отделам
1.2.2. Оперативная, тактическая и стратегическая отчетность
1.2.3. Аналитика данных, применяемая в каждом отделе

1.2.3.1. Маркетинг и коммуникации
1.2.3.2. Коммерция
1.2.3.3. Обслуживание клиентов
1.2.3.4. Закупки
1.2.3.5. Администрация
1.2.3.6. Управление персоналом
1.2.3.7. Производство
1.2.3.8. ИТ

1.3. Маркетинг и коммуникации

1.3.1. Измеряемые Kpi, применение и преимущества
1.3.2. Маркетинговые системы и хранилище данных
1.3.3. Внедрение структуры анализа данных в маркетинге
1.3.4. План маркетинга и коммуникации
1.3.5. Стратегии, прогнозирование и управление кампаниями

1.4. Коммерция и продажи

1.4.1. Вклад аналитики данных в коммерческую сферу
1.4.2. Потребности отдела продаж
1.4.3. Изучение рынка

1.5. Обслуживание клиентов

1.5.1. Лояльность
1.5.2. Личные качества и эмоциональный интеллект
1.5.3. Удовлетворенность клиентов

1.6. Закупки

1.6.1. Аналитика данных для маркетинговых исследований
1.6.2. Аналитика данных для конкурентных исследований
1.6.3. Другие приложения

1.7. Администрация

1.7.1. Потребности в административном отделе
1.7.2. Хранилище данных и анализ финансовых рисков
1.7.3. Хранилище данных и анализ кредитных рисков

1.8. Управление персоналом

1.8.1. Управление персоналом и преимущества аналитики данных
1.8.2. Инструменты анализа данных в отделе кадров
1.8.3. Применение аналитики данных в отделе кадров

1.9. Производство

1.9.1. Анализ данных в производственном отделе
1.9.2. Приложения
1.9.3. Преимущества

1.10. ИТ

1.10.1. Отдел ИТ
1.10.2. Аналитика данных и цифровая трансформация
1.10.3. Инновации и производительность

Модуль 2. Управление данными, обработка данных и составление отчетов по науке о данных

2.1. Статистика. Переменные, индексы и коэффициенты

2.1.1. Статистика
2.1.2. Статистические измерения
2.1.3. Переменные, индексы и коэффициенты

2.2. Типология данных

2.2.1. Качественные
2.2.2. Количественные
2.2.3. Характеристика и категории

2.3. Знание данных, полученных в результате измерений

2.3.1. Меры централизации
2.3.2. Меры дисперсии
2.3.3. Корреляция

2.4. Знание данных, полученных в результате графиков

2.4.1. Визуализация в соответствии с типом данных
2.4.2. Интерпретация графической информации
2.4.3. Настройка графики с помощью R

2.5. Вероятность

2.5.1. Вероятность
2.5.2. Функция вероятности
2.5.3. Распределения

2.6. Сбор данных

2.6.1. Методология сбора
2.6.2. Инструменты сбора
2.6.3. Каналы сбора

2.7. Очистка данных

2.7.1. Этапы очистки данных
2.7.2. Качество данных
2.7.3. Работа с данными (с помощью R)

2.8. Анализ данных, интерпретация и оценка результатов

2.8.1. Статистические меры
2.8.2. Индексы отношений
2.8.3. Добыча данных

2.9. Хранилище данных (Data Warehouse)

2.9.1. Элементы
2.9.2. Дизайн

2.10. Доступность данных

2.10.1. Доступ
2.10.2. Польза
2.10.3. Безопасность

Модуль 3. IoT-устройства и платформы как основа для науки о данных

3.1. Интернет вещей

3.1.1. Интернет будущего, Интернет вещей
3.1.2. Консорциум промышленного интернета

3.2. Эталонная архитектура

3.2.1. Эталонная архитектура
3.2.2. Слои
3.2.3. Компоненты

3.3. Датчики и устройства IoT

3.3.1. Основные компоненты
3.3.2. Датчики и исполнительные механизмы

3.4. Коммуникации и протоколы

3.4.1. Протоколы. Модель OSI
3.4.2. Коммуникационные технологии

3.5. Облачные платформы для IoT и IIoT

3.5.1. Платформы общего назначения
3.5.2. Промышленные платформы
3.5.3. Платформы с открытым исходным кодом

3.6. Управление данными в платформах IoT

3.6.1. Механизмы управления данными. Открытые данные
3.6.2. Обмен данными и визуализация

3.7. Безопасность IoT

3.7.1. Требования к безопасности и области безопасности
3.7.2. Стратегии безопасности IIoT

3.8. IoT-приложения

3.8.1. Умные города
3.8.2. Здоровье и фитнес
3.8.3. Умный дом
3.8.4. Другие приложения

3.9. Приложения IIoT

3.9.1. Создание
3.9.2. Транспорт
3.9.3. Энергия
3.9.4. Сельское хозяйство и животноводство
3.9.5. Другие сектора

3.10. Индустрия 4.0

3.10.1. IoRT (Интернет вещей робототехники)
3.10.2. Аддитивное производство и 3D-печать
3.10.3. Аналитика больших данных

Модуль 4. Графическое представление для анализа данных

4.1. Исследовательский анализ

4.1.1. Представление для анализа информации
4.1.2. Ценность графического представления
4.1.3. Новые парадигмы графического представления

4.2. Оптимизация для науки о данных

4.2.1. Цветовая гамма и дизайн
4.2.2. Гештальт в графическом представлении
4.2.3. Ошибки, которых следует избегать, и советы

4.3. Источники основных данных

4.3.1. Для качественного представления
4.3.2. Для количественного представления
4.3.3. Для представления времени

4.4. Сложные источники данных

4.4.1. Файлы, список файлов и база данных
4.4.2. Открытые данные
4.4.3. Непрерывно генерируемые данные

4.5. Типы графиков

4.5.1. Основные представления
4.5.2. Блок-схема
4.5.3. Дисперсионный анализ
4.5.4. Круговые диаграммы
4.5.5. Пузырьковая диаграмма
4.5.6. Географическое представление

4.6. Виды визуализации

4.6.1. Сравнительная и реляционная
4.6.2. Распространение
4.6.3. Иерархия

4.7. Разработка отчетов с графическим представлением

4.7.1. Применение графиков в маркетинговых отчетах
4.7.2. Применение графиков в приборных панелях и KPI
4.7.3. Применение графиков в стратегических планах
4.7.4. Другие виды использования: наука, здоровье, бизнес

4.8. Графическое повествование

4.8.1. Графическое повествование
4.8.2. Развитие
4.8.3. Польза

4.9. Инструменты, ориентированные на визуализацию

4.9.1. Расширенные инструменты
4.9.2. Онлайн программное обеспечение
4.9.3. Open Source

4.10. Новые технологии в визуализации данных

4.10.1. Системы для виртуализации реальности
4.10.2. Системы для расширения и улучшения реальности
4.10.3. Интеллектуальные системы

Модуль 5. Инструменты науки о данных

5.1. Наука о данных

5.1.1. Наука о данных
5.1.2. Передовые инструменты для исследователя данных

5.2. Данные, информация и знания

5.2.1. Данные, информация и знания
5.2.2. Типы данных
5.2.3. Источники данных

5.3. От данных к информации

5.3.1. Анализ данных
5.3.2. Виды анализа
5.3.3. Извлечение информации из набора данных

5.4. Извлечение информации путем визуализации

5.4.1. Визуализация как инструмент анализа
5.4.2. Методы визуализации
5.4.3. Визуализация набора данных

5.5. Качество данных

5.5.1. Качество данных
5.5.2. Очистка данных
5.5.3. Основная предварительная обработка данных

5.6. Набор данных

5.6.1. Обогащение набора данных
5.6.2. Проклятие размерности
5.6.3. Модификация нашего набора данных

5.7. Выведение из равновесия

5.7.1. Дисбаланс классов
5.7.2. Методы устранения дисбаланса
5.7.3. Баланс набора данных

5.8. Модели, не требующие контроля

5.8.1. Модель без наблюдения
5.8.2. Методы
5.8.3. Классификация с помощью моделей без наблюдения

5.9. Модели под наблюдением

5.9.1. Модель под наблюдением
5.9.2. Методы
5.9.3. Классификация с помощью моделей под наблюдением

5.10. Инструменты и передовой опыт

5.10.1. Передовая практика для специалиста по исследованию данных
5.10.2. Лучшая модель
5.10.3. Полезные инструменты

Модуль 6. Добыча данных. Отбор, предварительная обработка и преобразование

6.1. Статистический вывод

6.1.1. Описательная статистика vs статистический вывод
6.1.2. Параметрические методы
6.1.3. Непараметрические методы

6.2. Исследовательский анализ

6.2.1. Описательный анализ
6.2.2. Визуализация
6.2.3. Подготовка данных

6.3. Подготовка данных

6.3.1. Интеграция и очистка данных
6.3.2. Нормализация данных
6.3.3. Преобразование данных

6.4. Отсутствующие значения

6.4.1. Обработка отсутствующих значений
6.4.2. Метод максимального правдоподобия
6.4.3. Обработка отсутствующих данных в машинном обучении

6.5. Шум в данных

6.5.1. Классы и признаки шума
6.5.2. Фильтрация шумов
6.5.3. Шумовой эффект

6.6. Проклятие размерности

6.6.1. Oversampling
6.6.2. Undersampling
6.6.3. Редукция многомерных данных

6.7. От непрерывных к дискретным признакам

6.7.1. Непрерывные и дискретные данные
6.7.2. Процесс дискретизации

6.8. Данные

6.8.1. Выбор данных
6.8.2. Перспективы и критерии отбора
6.8.3. Методы отбора

6.9. Выбор экземпляров

6.9.1. Методы выбора экземпляра
6.9.2. Выбор прототипов
6.9.3. Расширенные методы выбора экземпляра

6.10. Предварительная обработка больших данных

6.10.1. Большие данные
6.10.2. Классическая модель vs массивная модель
6.10.3. Умные данные

Модуль 7. Предсказуемость и стохастический анализ

7.1. Временные ряды

7.1.1. Временные ряды
7.1.2. Полезность и применимость
7.1.3. Соответствующие тематические исследования

7.2. Временная серия

7.2.1. Сезонность (St)
7.2.2. Сезонная вариация
7.2.3. Остаточный анализ

7.3. Типологии

7.3.1. Стационарная модель
7.3.2. Нестационарная модель
7.3.3. Преобразования и корректировки

7.4. Схемы для временных рядов

7.4.1. Аддитивная модель
7.4.2. Мультипликативная модель
7.4.3. Процедуры определения типа модели

7.5. Основные методы прогнозирования

7.5.1. Метод средних
7.5.2. “Наивный” подход
7.5.3. Сезонный“наивный” подход
7.5.4. Сравнение методов

7.6. Остаточный анализ

7.6.1. Автокорреляция
7.6.2. АКФ остатков
7.6.3. Корреляционный анализ

7.7. Регрессия в контексте временных рядов

7.7.1. ANOVA
7.7.2. Основы
7.7.3. Практическое применение

7.8. Прогнозирующие модели временных рядов

7.8.1. ARIMA
7.8.2. Экспоненциальное сглаживание

7.9. Анализ временных рядов в R

7.9.1. Подготовка данных
7.9.2. Идентификация шаблона
7.9.3. Анализ модели
7.9.4. Прогноз

7.10. Комбинированный графический анализ с помощью R

7.10.1. Типичные ситуации
7.10.2. Практическое применение для решения простых задач
7.10.3. Практическое применение для продвинутого решения проблем

Модуль 8. Проектирование и разработка интеллектуальных систем

8.1. Предварительная обработка данных

8.1.1. Предварительная обработка данных
8.1.2. Преобразование данных
8.1.3. Добыча данных

8.2. Машинное обучение

8.2.1. Контролируемое и неконтролируемое обучение
8.2.2. Обучение с подкреплением
8.2.3. Другие парадигмы обучения

8.3. Алгоритмы классификации

8.3.1. Индуктивное машинное обучение
8.3.2. SVM и KNN
8.3.3. Метрики и оценки для классификации

8.4. Алгоритмы регрессии

8.4.1. Линейная регрессия, логистическая регрессия и нелинейные модели
8.4.2. Временная серия
8.4.3. Метрики и оценки для регрессии

8.5. Алгоритмы кластеризации

8.5.1. Методы иерархической кластеризации
8.5.2. Методы условной кластеризации
8.5.3. Показатели и оценки кластеризации

8.6. Методы ассоциативных правил

8.6.1. Методы извлечения правил
8.6.2. Метрики и оценки для алгоритмов ассоциативных правил

8.7. Продвинутые методы классификации. Мультиклассовые алгоритмы

8.7.1. Алгоритмы Бэггинга
8.7.2. Метод случайного леса
8.7.3. Бустинг деревьев решений

8.8. Графовая вероятностная модель

8.8.1. Вероятностная модель
8.8.2. Байесовские сети. Свойства, представление и параметризация
8.8.3. Другие графовые вероятностные модели

8.9. Нейронные сети

8.9.1. Машинное обучение с помощью искусственных нейронных сетей
8.9.2. Нейронная сеть с прямой связью

8.10. Глубокое обучение

8.10.1. Глубокие сети прямой связи
8.10.2. Конволюционные нейронные сети и модели последовательностей
8.10.3. Инструменты для реализации глубоких нейронных сетей

Модуль 9. Архитектуры и системы с интенсивным использованием данных

9.1. Нефункциональные требования. Основные принципы применения больших данных

9.1.1. Надежность
9.1.2. Адаптивность
9.1.3. Поддержание

9.2. Модели данных

9.2.1. Реляционная модель
9.2.2. Документальная модель
9.2.3. Модель сетевых данных

9.3. Базы данных. Управление хранением и поиском данных

9.3.1. Хэш-индексы
9.3.2. Структурированное хранение журналов
9.3.3. B-дерево

9.4. Форматы кодирования данных

9.4.1. Форматы, специфичные для конкретного языка
9.4.2. Стандартизированные форматы
9.4.3. Форматы двоичного кодирования
9.4.4. Межпроцессный поток данных

9.5. Репликация

9.5.1. Цели репликации
9.5.2. Модели репликации
9.5.3. Проблемы с репликацией

9.6. Распределенные транзакции

9.6.1. Транзакция
9.6.2. Протоколы для распределенных транзакций
9.6.3. Сериализация транзакций

9.7. Разделения

9.7.1. Формы разделения
9.7.2. Взаимодействие вторичного индекса и разделения
9.7.3. Перебалансировка разделов

9.8. Обработка данных offline

9.8.1. Пакетная обработка
9.8.2. Распределенные файловые системы
9.8.3. MapReduce

9.9. Обработка данных в режиме реального времени

9.9.1. Типы брокеров сообщений
9.9.2. Представление баз данных в виде потоков данных
9.9.3. Обработка потоков данных

9.10. Практическое применение в бизнесе

9.10.1. Последовательность в чтении
9.10.2. Комплексный подход к данным
9.10.3. Масштабируемая распределенная система

Модуль 10. Практическое применение науки о данных в бизнес-секторах

10.1. Сфера здравоохранения

10.1.1. Последствия ИИ и аналитики данных в секторе здравоохранения
10.1.2. Возможности и проблемы

10.2     Риски и тенденции в здравоохранении

10.2.1. Использование в секторе здравоохранения
10.2.2. Потенциальные риски, связанные с использованием ИИ

10.3. Финансовые услуги

10.3.1. Влияние ИИ и аналитики данных для индустрии финансовых услуг
10.3.2. Использование в финансовых услугах
10.3.3. Потенциальные риски, связанные с использованием ИИ

10.4. Розничная торговля

10.4.1. Влияние ИИ и аналитики данных в розничнойторговле
10.4.2. Использование в розничнойторговле
10.4.3. Потенциальные риски, связанные с использованием ИИ

10.5. Индустрия 4.0

10.5.1. Влияние ИИ и аналитики данных на Индустрию 4.0
10.5.2. Использование в Индустрии 4.0

10.6. Риски и тенденции в Индустрии 4.0

10.6.1. Потенциальные риски, связанные с использованием ИИ

10.7. Государственное управление

10.7.1. Влияние ИИ и аналитики данных на государственное управление
10.7.2. Использование в государственном управлении
10.7.3. Потенциальные риски, связанные с использованием ИИ

10.8. Образовательная сфера

10.8.1. Влияние ИИ и аналитики данных на образовательную сферу
10.8.2. Потенциальные риски, связанные с использованием ИИ

10.9. Лесное и сельское хозяйство

10.9.1. Влияние ИИ и аналитики данных на лесное и сельское хозяйство
10.9.2. Использование в лесном и сельском хозяйстве
10.9.3. Потенциальные риски, связанные с использованием ИИ

10.10. Управление персоналом

10.10.1. Влияние ИИ и аналитики данных на управление персоналом
10.10.2. Практическое применение в деловом мире
10.10.3. Потенциальные риски, связанные с использованием ИИ

Модуль 11. Основные системы управления информацией

11.1. ERP и CRM

11.1.1. ERP
11.1.2. CRM
11.1.3. Различия между ERP, CRM. Точка продаж
11.1.4. Успех в бизнесе

11.2. ERP

11.2.1. ERP
11.2.2. Виды ERP
11.2.3. Разработка проекта внедрения ERP
11.2.4. ERP. Оптимизатор ресурсов
11.2.5. Архитектура ERP-системы

11.3. Информация, предоставленная ERP

11.3.1. Информация, предоставленная ERP
11.3.2. Преимущества и недостатки
11.3.3. Информация

11.4. ERP-системы

11.4.1. Текущие системы и инструменты ERP
11.4.2. Принятие решений
11.4.3. Принятие решений

11.5. CRM: Проект внедрения

11.5.1. CRM. Проект внедрения
11.5.2. CRM как коммерческий инструмент
11.5.3. Стратегии для информационной системы

11.6. CRM: Лояльность клиентов

11.6.1. Отправная точка
11.6.2. Продажа или лояльность
11.6.3. Факторы успеха в нашей системе лояльности
11.6.4. Многоканальные стратегии
11.6.5. Разработка акций лояльности
11.6.6. Электронные карты лояльности

11.7. CRM: Коммуникационные кампании

11.7.1. Коммуникационные действия и планы
11.7.2. Важность информированного клиента
11.7.3. Прислушиваться к мнению клиента

11.8. CRM: предотвращение недовольства клиентов

11.8.1. Отток клиентов
11.8.2. Раннее обнаружение ошибок
11.8.3. Совершенствования процесса
11.8.4. Возвращение неудовлетворенного клиента

11.9. CRM: Специальные коммуникационные действия

11.9.1. Цели и планирование корпоративного мероприятия
11.9.2. Разработка и реализация мероприятия
11.9.3. Действия отдела
11.9.4. Анализ результатов

11.10. Маркетинг взаимоотношений

11.10.1. Внедрение. Ошибки
11.10.2. Методология, сегментация и процессы
11.10.3. Производительность, по данным отдела
11.10.4. CRM-инструменты

Модуль 12. Виды и жизненный цикл данных

12.1. Статистика

12.1.1. Статистика: описательная статистика, статистические выводы
12.1.2. Население, выборка, индивидуум
12.1.3. Переменные: определение, шкалы измерения

12.2. Типы статистических данных

12.2.1. По типу

12.2.1.1. Количественные: непрерывные данные и дискретные данные
12.2.1.2. Качественные: биномиальные данные, номинальные данные, порядковые данные

12.2.2. По форме

12.2.2.1. Числовые
12.2.2.2. Текстовые
12.2.2.3. Логические

12.2.3. Согласно источнику

12.2.3.1. Первичные
12.2.3.2. Вторичные

12.3. Жизненный цикл данных

12.3.1. Этапы цикла
12.3.2. Этапы цикла
12.3.3. Принципы FAIR

12.4. Начальные этапы цикла

12.4.1. Определение целей
12.4.2. Определение необходимых ресурсов
12.4.3. Диаграмма Ганта
12.4.4. Структура данных

12.5. Сбор данных

12.5.1. Методология сбора
12.5.2. Инструменты сбора
12.5.3. Каналы сбора

12.6. Очистка данных

12.6.1. Этапы очистки данных
12.6.2. Качество данных
12.6.3. Работа с данными (с помощью R)

12.7. Анализ данных, интерпретация и оценка результатов

12.7.1. Статистические меры
12.7.2. Индексы отношений
12.7.3. Добыча данных

12.8. Хранилище данных (Data Warehouse)

12.8.1. Элементы, входящие в его состав
12.8.2. Дизайн
12.8.3. Аспекты, которые следует учитывать

12.9. Доступность данных

12.9.1. Доступ
12.9.2. Польза
12.9.3. Безопасность

12.10. Нормативно-правовые аспекты

12.10.1. Закон о защите данных
12.10.2. Передовая практика
12.10.3. Другие нормативные аспекты

Модуль 13. Автоматическое машинное обучение

13.1. Знания в области баз данных

13.1.1. Предварительная обработка данных
13.1.2. Анализ
13.1.3. Интерпретация и оценка результатов

13.2. Машинное обучение

13.2.1. Контролируемое и неконтролируемое обучение
13.2.2. Обучение с подкреплением
13.2.3. Наблюдательное обучение. Другие модели обучения

13.3. Классификация

13.3.1. Деревья решений и обучение на основе правил
13.3.2. Алгоритмы вспомогательных векторных машин (SVM) и K-Nearest Neighbour (KNN)
13.3.3. Метрики для алгоритмов классификации

13.4. Регрессия.

13.4.1. Линейная регрессия и логистическая регрессия
13.4.2. Нелинейные регрессионные модели
13.4.3. Анализ временных рядов
13.4.4. Метрики для алгоритмов регрессии

13.5. Кластеризация

13.5.1. Иерархическая кластеризация
13.5.2. Частичная кластеризация
13.5.3. Метрики для алгоритмов кластеризации

13.6. Правила ассоциации

13.6.1. Меры, представляющие интерес
13.6.2. Методы извлечения правил
13.6.3. Метрики для алгоритмов ассоциативных правил

13.7. Мультиклассовые алгоритмы

13.7.1. Бутстрэп-агрегирование или бэггинг
13.7.2. Алгоритм случайного леса
13.7.3. Алгоритм бустинга

13.8. Вероятностные модели рассуждений

13.8.1. Вероятностные рассуждения
13.8.2. Байесовские сети или сети убеждений
13.8.3. Скрытые марковские модели

13.9. Многослойный перцептрон

13.9.1. Нейронные сети
13.9.2. Машинное обучение с помощью нейронных сетей
13.9.3. Градиентный спуск, метод обратного распространения ошибки и функции активации
13.9.4. Реализация искусственной нейронной сети

13.10. Глубокое обучение

13.10.1. Глубокие нейронные сети. Введение
13.10.2. Конволюционные сети
13.10.3. Моделирование последовательностей
13.10.4. Tensorflow и pytorch

Модуль 14. Веб-аналитика

14.1. Веб-аналитика

14.1.1. Введение
14.1.2. Развитие веб-аналитики
14.1.3. Процесс анализа

14.2.  Analytics

14.2.1.  Analytics
14.2.2. Применение
14.2.3. Цели

14.3. Хиты. Взаимодействие с веб-сайтом

14.3.1. Основные метрики
14.3.2. KPI (ключевые показатели эффективности)
14.3.3. Адекватные показатели конверсии

14.4. Частые измерения

14.4.1. Источник
14.4.2. Метод средних
14.4.3. Ключевое слово
14.4.4. Кампания
14.4.5. Индивидуальная маркировка

14.5. Настройка Google Analytics

14.5.1. Установка. Создание учетной записи
14.5.2. Версии платформы: UA / GA4
14.5.3. Отслеживание конверсий
14.5.4. Цели конверсии

14.6. Организация Google Analytics

14.6.1. Учетная запись
14.6.2. Свойства
14.6.3. Представления

14.7. Отчеты Google Analytics

14.7.1. В реальном времени
14.7.2. Аудитория
14.7.3. Приобретение
14.7.4. Поведение
14.7.5. Вероятность конверсии
14.7.6. Электронная коммерция

14.8. Отчеты расширенной торговли в Google Analytics

14.8.1. Индивидуальные отчеты
14.8.2. Панели
14.8.3. APIs

14.9. Фильтры и сегменты

14.9.1. Фильтры
14.9.2. Сегменты
14.9.3. Типы сегментов: предопределенные / индивидуальные
14.9.4. Списки ремаркетинга

14.10. План цифровой аналитики

14.10.1. Измерение
14.10.2. Внедрение в технологическую среду
14.10.3. Выводы

Модуль 15. Правила управления данными

15.1. Нормативно-правовая база

15.1.1. Нормативно-правовая база и определения
15.1.2. Контроллеры, совместные контроллеры и процессоры
15.1.3. Предстоящая нормативно-правовая база для искусственного интеллекта

15.2. Принципы, относящиеся к обработке персональных данных

15.2.1. Законность, справедливость и прозрачность и ограничение цели
15.2.2. Минимизация, точность и ограничение срока хранения данных
15.2.3. Целостность и конфиденциальность
15.2.4. Проактивная ответственность

15.3. Легитимность и разрешение на обработку

15.3.1. Основание для получения права
15.3.2. Право на обработку специальных категорий данных
15.3.3. Передача данных

15.4. Права физических лиц

15.4.1. Прозрачность и информация
15.4.2. Доступ
15.4.3. Исправление и удаление (право на забвение), ограничение и переносимость
15.4.4. Оппозиция и автоматизированные индивидуальные решения
15.4.5. Ограничения прав

15.5. Анализ и управление рисками

15.5.1. Выявление рисков и угроз правам и свободам физических лиц
15.5.2. Оценка рисков
15.5.3. План обработки рисков

15.6. Проактивные меры ответственности

15.6.1. Определение соблюдения требований и критерии аккредитации
15.6.2. Организационные меры
15.6.3. Технические меры
15.6.4. Нарушения безопасности персональных данных
15.6.5. Реестр действий по обработке

15.7. Оценка воздействия защиты персональных данных (DPIA)

15.7.1. Действия, требующие DPIA
15.7.2. Методология оценки
15.7.3. Выявление рисков, угроз и консультации с надзорным органом

15.8. Договорное регулирование: ответственные лица, ответственные лица и другие субъекты

15.8.1. Договоры о защите данных
15.8.2. Распределение обязанностей
15.8.3. Договоры между совместителями

15.9. Международная передача данных

15.9.1. Определение и гарантии, которые должны быть приняты
15.9.2. Стандартные договорные положения
15.9.3. Другие инструменты регулирования передачи информации

15.10. Нарушения и санкции

15.10.1. Нарушения и санкции
15.10.2. Критерии оценки штрафов
15.10.3. Сотрудник по защите данных
15.10.4. Функции надзорных органов

Модуль 16. Масштабируемость и надежность систем массового использования данных

16.1. Масштабируемость, надежность и управляемость

16.1.1. Масштабируемость
16.1.2. Надежность
16.1.3. Управляемость

16.2. Модели данных

16.2.1. Эволюция моделей данных
16.2.2. Сравнение реляционной модели с моделью NoSQL на основе документов
16.2.3. Графовая вероятностная модель

16.3. Системы хранения и поиска данных

16.3.1. Структурированное хранение журналов
16.3.2. Хранение в сегментных таблицах
16.3.3. B-дерево

16.4. Сервисы, передача сообщений и форматы кодирования данных

16.4.1. Поток данных в REST-сервисах
16.4.2. Поток данных при передаче сообщений
16.4.3. Форматы отправки сообщений

16.5. Репликация

16.5.1. Теорема CAP
16.5.2. Модели согласованности
16.5.3. Модели репликации, основанные на концепциях лидера и последователя

16.6. Распределенные транзакции

16.6.1. Атомные операции
16.6.2. Распределенные транзакции с разных подходов Кельвин, Спаннер
16.6.3. Сериализиция

16.7. Секционирование

16.7.1. Виды секционирования
16.7.2. Индексы в секционировании
16.7.3. Перебалансировка секционирования

16.8. Пакетная обработка

16.8.1. Пакетная обработка
16.8.2. MapReduce
16.8.3. Применение подходов, используемых после MapReduce

16.9. Обработка потоков данных

16.9.1. Системы сообщений
16.9.2. Постоянство потоков данных
16.9.3. Использование и операции с потоками данных

16.10. Примеры использования. Twitter, Facebook, Instagram

16.10.1. Twitter: использование кэша
16.10.2. Facebook: нереляционные модели
16.10.3. Uber: разные модели для разных целей

Модуль 17. Системное администрирование для распределенных развертываний

17.1. Классическая администрация.  Монолитная модель

17.1.1. Классические приложения. Монолитная модель
17.1.2. Системные требования для монолитных приложений
17.1.3. Администрирование монолитных систем
17.1.4. Автоматизация.

17.2. Распределенные приложения. Микросервисы

17.2.1. Парадигма распределенных вычислений
17.2.2. Модели на основе микросервисов
17.2.3. Системные требования для распределенных моделей
17.2.4. Монолитные и распределенные приложения

17.3. Инструменты для эксплуатации ресурсов

17.3.1. Управление «железом»
17.3.2. Виртуализация
17.3.3. Эмуляция
17.3.4. Паравиртуализация

17.4. Модели IaaS, PaaS и SaaS

17.4.1. Модель IaaS
17.4.2. Модель PaaS
17.4.3. Модель SaaS
17.4.4. Модели проектирования

17.5. Контейнеризация

17.5.1. Виртуализация с помощью Cgroups
17.5.2. Контейнеры
17.5.3. От приложения к контейнеру
17.5.4. Оркестровка контейнеров

17.6. Кластеризация

17.6.1. Высокая производительность и высокая доступность
17.6.2. Модели высокой доступности
17.6.3. Кластеризация как SaaS-платформа
17.6.4. Кластернаясекьюритизация

17.7. Облачные вычисления

17.7.1. Кластеры vs. Облако
17.7.2. Виды облаков
17.7.3. Модели облачныхсервисов
17.7.4. Переподписка

17.8. Мониторинг и тестирование

17.8.1. Виды мониторинга
17.8.2. Визуализация
17.8.3. Тестирование инфраструктуры
17.8.4. Хаос-инжиниринг

17.9. Утилиты: Kubernetes

17.9.1. Структура
17.9.2. Администрирование
17.9.3. Развертывание услуг
17.9.4. Разработка услуг для K8S

17.10. Утилиты: OpenStack

17.10.1. Структура
17.10.2. Администрирование
17.10.3. Развертывания
17.10.4. Разработка услуг для OpenStack

Модуль 18. Управление проектами и гибкие методологии

18.1. Руководство и управление проектами

18.1.1. Проект
18.1.2. Фазы проекта
18.1.3. Руководство и управление проектами

18.2. Методика PMI для управления проектами

18.2.1. PMI (Project Management Institute)
18.2.2. PMBOK
18.2.3. Разница между проектом, программой и портфелем проектов
18.2.4. Эволюция организаций, работающих с проектами
18.2.5. Активы процессов в организациях

18.3. Методика PMI для управления проектами: Процессы

18.3.1. Группы процессов
18.3.2. Области знаний
18.3.3. Матрица процесса

18.4. Agile-методологии для управления проектами

18.4.1. Контекст VUCA (нестабильность, неопределённость, сложность и неоднозначность)
18.4.2. Ценности Agile
18.4.3. Принципы Agile-манифеста

18.5. Agile-фреймворк Scrum для руководства проекта

18.5.1. Scrum
18.5.2. Основы методологии Scrum
18.5.3. Ценность в Scrum

18.6. Agile-фреймворк Scrum для руководства проекта. Процесс

18.6.1. Процесс Scrum
18.6.2. Типизированные роли в процессе Scrum
18.6.3. Церемонии в Scrum

18.7. Agile-фреймворк Scrum для руководства проекта. Артефакты

18.7.1. Артефакты в процессе Scrum
18.7.2. Scrum-команда
18.7.3. Метрики для оценки эффективности работы Scrum-команды

18.8. Agile-фреймворк Kanban для руководства проекта. Kanban-метод

18.8.1. Kanban
18.8.2. Преимущества Kanban
18.8.3. Kanban-метод. Элементы

18.9. Agile-фреймворк Kanban для руководства проекта. Практика применения Kanban-метода

18.9.1. Ценности Kanban
18.9.2. Принципы применения Kanban-метода
18.9.3. Общая практика Kanban-метода
18.9.4. Метрики для оценки эффективности Kanban

18.10. Сравнения: PMI, Scrum и Kanban

18.10.1. PMI-Scrum
18.10.2. PMI-Kanban
18.10.3. Scrum-Kanban

Модуль 19. Коммуникации, лидерство и управление командой

19.1. Организационное развитие в компании

19.1.1. Организационный климат, культура и организационное развитие в компании
19.1.2. Управление человеческим капиталом

19.2. Модели управления. Принятие решений

19.2.1. Смена парадигмы в моделях управления
19.2.2. Процесс управления технологической компанией
19.2.3. Принятие решений. Инструменты планирования

19.3. Лидерство. Делегирование и empowerment

19.3.1. Лидерство
19.3.2. Делегирование и empowerment
19.3.3. Оценка эффективности

19.4. Лидерство. Управление талантами и вовлеченность

19.4.1. Управление талантами в компании
19.4.2. Управление вовлеченностью в компании
19.4.3. Улучшение коммуникации в компании

19.5. Применение коучинга в бизнесе

19.5.1. Управленческий коучинг
19.5.2. Коучинг команд

19.6. Наставничество в бизнесе

19.6.1. Характеристика наставника
19.6.2. 4 процесса программы наставничества
19.6.3. Инструменты и методы в процессе наставничества
19.6.4. Преимущества наставничества на уровне компании

19.7. Управление командой I. Межличностные отношения

19.7.1. Межличностные отношения
19.7.2. Реляционные стили: подходы
19.7.3. Эффективные встречи и соглашения в сложных ситуациях

19.8. Управление командой II. Конфликты

19.8.1. Конфликты
19.8.2. Предотвращение, рассмотрение и разрешение конфликтов

19.8.2.1. Стратегии предотвращения конфликтов
19.8.2.2. Управление конфликтами. Основные принципы

19.8.3. Стратегии предотвращения конфликтов
19.8.4. Стресс и трудовая мотивация

19.9. Управление командой III. Переговоры

19.9.1. Переговоры на управленческом уровне в технологических компаниях
19.9.2. Стили ведения переговоров
19.9.3. Фазы переговоров

19.9.3.1. Препятствия, которые необходимо преодолеть в ходе переговоров

19.10. Управление командой IV. Техники ведения переговоров

19.10.1. Техники и стратегии ведения переговоров

19.10.1.1. Стратегии ведения переговоров и основные типы переговоров
19.10.1.2. Тактика ведения переговоров и практические вопросы

19.10.2. Фигура субъекта переговоров

Не упустите возможность улучшить свою профессиональную карьеру и поступайте сейчас на программу Профессиональной магистерской специализации MBA в области управления наукой о данных''