Data Science w zastosowaniach biznesowych - praktyczne warsztaty

świadectwo ukończenia studiów podyplomowych

• ma zaawansowany stopień znajomości środowiska programistycznego R lub Python, w tym zna zasady budowania skomplikowanych algorytmów i optymalizacji (profilowania) kodu;
• ma zaawansowany stopień znajomości działania algorytmów wykorzystywanych w uczeniu maszynowym (ang. machine learning), uczeniu głębokim (ang. deep learning) czy przetwarzaniu języka naturalnego (ang. natural language processing);
• ma zaawansowany stopień znajomości teorii statystycznej i matematycznej potrzebnej do prawidłowego wnioskowania statystycznego w metodach ilościowych;
• zna terminologię używaną w Data Science oraz jej zastosowanie w dyscyplinach pokrewnych na poziomie rozszerzonym;
• zna zasady i techniki poprawnej i efektywnej wizualizacji danych;
• rozumie korzyści z zastosowania metod statystycznych w aplikacjach biznesowych;
• zna nowoczesne metody przetwarzania danych;
• zna specyfikę gromadzenia i wykorzystania danych i algorytmów statystycznych z poszanowaniem praw autorskich, własności przemysłowej i ochrony danych osobowych;
• zna problemy, procesy, trendy i wyzwania we współczesnej analityce biznesowej;
• zna publikacje, czasopisma i inne źródła wiedzy o zastosowaniu Data Science w biznesie.

• identyfikować i formułować na bazie obserwowanych zjawisk problemy badawcze możliwe do weryfikacji na podstawie dostępnych danych ilościowych;
• dobrać i zastosować do rozwiązania danego problemu badawczego odpowiednie narzędzie statystyczne;
• poprawnie wykorzystywać algorytmy uczenia maszynowego, uczenia głębokiego, przetwarzanie języka naturalnego oraz modelowania ekonometrycznego;
• budować zaawansowane kody i procedury w języku R lub Python do analizy danych automatyzujące pracę;
• opracowywać i komunikować wyniki swoich analiz statystycznych, a także potrafi opracowywać raporty i prezentacje prowadzonych prac badawczych, także w języku angielskim;
• współdziałać i pracować w grupach i projektach analitycznych, przyjmując w nich różne role;
• planować pracę analityczną, odpowiednio określić priorytety służące realizacji określonego przez siebie lub innych zadania;
• pracować samodzielnie oraz zespołowo w instytucjach wykorzystujących metody analizy i przetwarzania danych;
• łączyć wiedzę teoretyczną z kompleksowym podejściem do danych – od pozyskania, przetwarzania, analizowania z użyciem metod wnioskowania statystycznego, ekonometrii, wizualizacji, po raportowanie i prezentację danych;
• zdefiniować i poszerzać wiedzę i umiejętności w obszarze Data Science, a także potrafi ukierunkowywać i planować rozwój innych osób w zakresie Data Science.

• na podstawie przedstawionych interpretacji uzyskanych wyników potrafi być krytyczny w stosunku do przedstawionych modeli, prawidłowo identyfikuje i rozstrzyga dylematy wykorzystaniem tych metod w prowadzeniu własnej firmy lub pracy zawodowej;
• potrafi dokonać merytorycznej oceny i weryfikacji poprawności stosowanych metod w aplikacjach biznesowych w środowisku R lub Python;
• jest przygotowany do podjęcia pracy w charakterze wysoko wykwalifikowanego analityka w różnych branżach (m.in. finanse, bankowość, ubezpieczenia, badania rynkowe, energetyka, sektor publiczny);
• jest gotów do inicjowania projektów analitycznych wspomagających działania na rzecz interesu publicznego, a także działalność przedsiębiorczą;
• jest gotów do profesjonalnego i odpowiedzialnego wypełniania obowiązków analityka danych (ang. data scientist);
• jest gotów do przestrzegania i rozwijania zasad etyki zawodowej (rzetelności badawczej) i popierania działania na rzecz przestrzegania; wysokich standardów badań statystycznych z poszanowaniem zasad prawnych, m. in. praw własności intelektualnej, ochrony danych osobowych i tajemnicy statystycznej.

Dzięki połączeniu wiedzy teoretycznej z praktyczną, absolwenci studiów staną się ekspertami z dziedziny interdyscyplinarnej analizy danych (analizy statystyczne, machine learning, data mining, programowanie w R lub w Pythonie).