TECH предлагает лучшие знания в области больших данных, чтобы это стало вашим пропуском в карьеру, полную возможностей и захватывающих вызовов” 

Дисциплина больших данных стала стратегическим решением, позволяющим организациям превращать сложные данные в ценные возможности. Эта дисциплина характеризуется объемом, разнообразием и скоростью, меняя способ работы компаний, принятия решений и конкуренции на глобальном рынке. Однако, чтобы максимально использовать этот ресурс, требуются эксперты, которые понимают, как собирать и анализировать большие объемы информации. 

Осознавая эту потребность, Профессиональная магистерская специализация в области управления большими данными от TECH представляет собой дверь в эту увлекательную и динамичную область. Разработанная для специализации профессионалов, которые возглавят цифровую революцию, эта программа сочетает в себе передовые технические знания с целостной подготовкой, охватывающей как изучение платформ, алгоритмов и передовых инструментов, так и прочную стратегическую подготовку. В настоящее время практически каждое взаимодействие в цифровой среде генерирует данные, будь то через онлайн-покупки, использование социальных сетей или датчики в устройствах, подключенных к Интернету вещей. Поэтому знание и управление большими данными стали ключевыми аспектами для всех бизнес-секторов. 

Данная Профессиональная магистерская специализация включает в себя изучение самых передовых платформ, алгоритмов и инструментов в отрасли, все это преподается с использованием инновационного метода обучения Relearning, адаптированного к потребностям и темпу обучения каждого студента. Что лучше всего, программа полностью онлайн и доступна с любого устройства, что дает гибкость в настройке графика и совмещении рабочих обязанностей, не оставляя без внимания активную семейную жизнь, при этом двигаясь вперед в профессиональной специализации. 

С TECH вы сможете повысить свой профессиональный уровень благодаря специализированным знаниям, которые помогут вам выделиться в любой отрасли" 

Данная Профессиональная магистерская специализация в области управления большими данными содержит самую полную и актуальную программу на рынке. Основными особенностями обучения являются:

• Разбор практических кейсов, представленных экспертами в области информатики 
• Наглядное, схематичное и исключительно практическое 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 методикам в области управления большими данными 
• 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 

Овладейте будущим анализа данных, обучаясь на 100% онлайн с помощью метода Relearning, самого инновационного и эффективного на рынке" 

В преподавательский состав входят профессионалы в области дизайна, которые привносят в эту программу опыт своей работы, а также признанные специалисты из ведущих сообществ и престижных университетов. 

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. 

В центре внимания этой программы — проблемно-ориентированное обучение, с помощью которого студент должен попытаться решить различные ситуации профессиональной практики, возникающие в течение учебного курса. Для этого специалисту будет помогать инновационная интерактивная видеосистема, созданная признанными и опытными специалистами. 

Используя новейшую методику преподавания, постройте свое будущее в области, где спрос на таланты продолжает расти"

Расширьте свои возможности по внедрению инноваций в мире с помощью лучших преподавателей, которые будут сопровождать вас в этой Профессиональной магистерской специализации по большим данным"

Профессиональная магистерская специализация в области управления большими данными предлагает комплексные знания, охватывающие как основы больших данных, так и самые передовые стратегии его применения в бизнес-среде. В ходе программы студенты разовьют ключевые компетенции в востребованных областях, получая способность анализировать и превращать данные в ценные активы. Кроме того, программа разработана таким образом, чтобы специалисты могли адаптироваться к постоянным технологическим изменениям, готовя их к лидерству в управлении данными в различных отраслях. 

С методологией TECH вы научитесь раскрывать тайны данных и возглавите цифровую революцию" 

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. Администрирование
1.2.3.6. Управление персоналом
1.2.3.7. Производство
1.2.3.8. Налог на транзакции

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. Другое применение

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 кредитного риска

1.8. Человеческие ресурсы

1.8.1. HR и преимущества аналитики данных
1.8.2. Инструменты анализа данных в HR
1.8.3. Применение аналитики данных в HR

1.9. Производство

1.9.1. Анализ данных в производственном отделе
1.9.2. Области применения
1.9.3. Преимущества

1.10. Налог на транзакции

1.10.1. Отдел IT
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. Распространения

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 (datawarehouse)

2.9.1. Элементы
2.9.2. Дизайн

2.10. Доступность данных

2.10.1. Доступ
2.10.2. Полезность
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 в 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. Другое применение

3.9. Приложения IIoT

3.9.1. Создание
3.9.2. Транспортировка
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 3D
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. Базовые виды отображений
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. Иерархическая

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 применения: наука, здоровье, бизнес

4.8. Графическое повествование

4.8.1. Графическое повествование
4.8.2. Развитие
4.8.3. Полезность

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. Данные о качестве
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 без контроля

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

5.9. Модели под контролем

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

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. Средняя
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. ACF остатков
7.6.3. Корреляционный анализ

7.7. Регрессия в контексте временных рядов

7.7.1. Дисперсионный анализ
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. Прогнозирование

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. Автоматическое 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. Бэггинг
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. Обслуживаемость

9.2. Моделирование 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-деревья

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. Секционирование

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

9.8. Обработка данных в 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 розничной торговле
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. Человеческие ресурсы

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. Визуальная аналитика в социальном и технологическом контексте

11.1. Технологические волны в различных обществах. На пути к ‘обществу данных’
11.2. Глобализация. Мировой геополитический и социальный контекст
11.3. Среда VUCA. Всегда живет прошлым
11.4. Знакомство с новыми технологиями: 5G и IoT
11.5. Знакомство с новыми технологиями: Облачные и граничные вычисления
11.6. Критическое мышление в визуальной аналитике
11.7. Know-mads. Кочевники среди данных
11.8. Обучение в области визуальной аналитики
11.9. Теории предвидения в применении к визуальной аналитике
11.10. Новая бизнес-среда. Цифровая трансформация

Модуль 12. Анализ и интерпретация данных

12.1. Введение в статистику
12.2. Меры, применимые к обработке информации
12.3. Статистическая корреляция
12.4. Теория условной вероятности
12.5. Случайные переменные и распределения вероятностей
12.6. Байесовский вывод
12.7. Теория образцов
12.8. Доверительные интервалы
12.9. Проверка гипотез
12.10. Регрессионный анализ

Модуль 13. Методы анализа данных и искусственный интеллект

13.1. Предиктивная аналитика
13.2. Методы оценки и выбора моделей
13.3. Методы линейной оптимизации
13.4. Симуляция Монте-Карло
13.5. Анализ сценария
13.6. Методы машинного обучения
13.7. Веб-аналитика
13.8. Методы интеллектуального анализа текста
13.9. Методы в обработке естественного языка (NLP)
13.10. Анализ социальных сетей

Модуль 14. Инструменты анализа данных

14.1. Среда R Data Science
14.2. Среда Python Data Science
14.3. Статические и статистические графики
14.4. Обработка данных в различных форматах и из различных источников
14.5. Очистка и подготовка данных
14.6. Исследования
14.7. Деревья решений
14.8. Классификация и ассоциативные правила
14.9. Нейронные сети
14.10. Глубокое обучение

Модуль 15. Системы управления базами данных и распараллеливания данных

15.1. Обычные базы данных
15.2. Нетрадиционные базы данных
15.3. Облачные вычисления: Управление распределенными данными
15.4. Инструменты для ввода больших объемов данных
15.5. Типы параллелизма
15.6. Потоковая передача и обработка данных в реальном времени
15.7. Параллельная обработка: Hadoop
15.8. Параллельная обработка: Spark
15.9. Apache Kafka

15.9.1. Введение в Apache Kafka
15.9.2. Архитектура
15.9.3. Структура данных
15.9.4. API Kafka
15.9.5. Примеры использования
15.10. Cloudera impala

Модуль 16. Мягкие навыки, основанные на данных, в стратегическом управлении визуальной аналитикой

16.1. Drive profile for data-driven
16.2. Продвинутые управленческие навыки в организациях, ориентированных на данные
16.3. Использование данных для повышения эффективности стратегической коммуникации
16.4. Эмоциональный интеллект в применении к управлению в визуальной аналитике
16.5. Эффективные презентации
16.6. Повышение эффективности работы с помощью мотивационного менеджмента
16.7. Лидерство в организациях, ориентированных на данные
16.8. Цифровые таланты в организациях, ориентированных на данные
16.9. Data-driven Agile Organization I
16.10. Data-driven Agile Organization II

Модуль 17. Стратегическое управление проектами в области визуальной аналитики и больших данных

17.1. Введение в стратегическое управление проектами
17.2. Лучшие практики описания процессов работы с большими данными (PMI)
17.3. Методология Кимбалла
17.4. Методология SQuID

17.4.1. Введение в методологию SQuID для решения проектов по работе с большими данными
17.4.2. Fase I. Sources
17.4.3. Fase II. Data quality
17.4.4. Fase III. Impossible questions
17.4.5. Fase IV. Discovering
17.4.6. Лучшие практики применения SQuID в проектах больших данных

17.5. Правовые аспекты мира данных
17.6. Конфиденциальность в больших данных
17.7. Кибербезопасность в больших данных
17.8. Идентификация и деидентификация при работе с большими объемами данных
17.9. Этика данных I
17.10. Этика данных II

Модуль 18. Клиентская аналитика. Применение интеллектуальных данных в маркетинге

18.1. Концепции маркетинга. Стратегический маркетинг
18.2. Реляционный маркетинг.
18.3. CRM как центр организации для анализа клиентов
18.4. Веб-технологии
18.5. Веб-источники данных
18.6. Получение данных через Интернет
18.7. Инструменты для извлечения веб-данных
18.8. Семантическая паутина
18.9. OSINT: Разведка с открытым исходным кодом
18.10. MasterLead или как повысить конверсию в продажи с помощью больших данных

Модуль 19. Интерактивная визуализация данных

19.1. Введение в искусство делать данные видимыми
19.2. Как создать сторителлинг с помощью данных
19.3. Представления данных
19.4. Масштабируемость визуальных представлений
19.5. Visual analytics vs. information visualization. Понимание того, что они не одно и то же
19.6. Процесс визуальной аналитики (Кейм)
19.7. Стратегическая, оперативная и управленческая отчетность
19.8. Типы графиков и их функции
19.9. Интерпретация отчетов и графиков. Играя роль приемника
19.10. Оценка систем визуальной аналитики

Модуль 20. Инструменты визуализации

20.1. Введение в инструменты визуализации данных
20.2. Many Eyes
20.3. Google Charts
20.4. jQuery
20.5. Data-driven documents I
20.6. Data-driven documents II
20.7. Matlab
20.8. Tableau
20.9. SAS visual analytics
20.10. Microsoft Power BI

Комплексная учебная программа, которая позволит вам освоить область больших данных и стать успешным архитектором бизнес-стратегий"