Data Science w zastosowaniach biznesowych - praktyczne warsztaty
Termin:
1 paź 2024 - 1 lip 2025
Miejsce:
Warszawa
Czas trwania:
226 godz.
Prowadzący:
Kierownik studiów
dr hab. Wójcik Piotr
Pozostałe terminy:
Organizator
Opis i cele
Głównym celem studiów jest podniesienie kompetencji osób zajmujących się szeroko rozumianą pracą z danymi w odniesieniu do analityki biznesowej oraz nowej dynamicznie rozwijającej się dziedziny – Data Science. Studia mają na celu rozwój umiejętności przetwarzania i analizy danych – od wstępnej analizy danych, przez ich wizualizację i analizę statystyczno-ekonometryczną, budowanie i walidację różnorodnych modeli predykcyjnych po raportowanie i prezentację wyników analiz. W trakcie studiów słuchacze zdobędą fundamentalną wiedzę teoretyczną i praktyczne umiejętności niezbędne do budowy zaawansowanych modeli analitycznych i prognostycznych. Program studiów „Data Science w zastosowaniach biznesowych - praktyczne warsztaty” przygotowuje słuchaczy do nowoczesnej pracy analitycznej na przykładach realnych problemów biznesowych.
Efektywna praca nowoczesnego analityka wymaga dogłębnego poznania wydajnego i uniwersalnego języka programowania – codziennego środowiska pracy. Zarówno R, jak i Python to bezpłatne oprogramowanie dostępne w ramach licencji open source, stworzone i rozwijane przez społeczność użytkowników z całego świata.
Charakterystyka uczestników
Zapraszamy przede wszystkim osoby posiadające już przynajmniej podstawowe doświadczenie w analizie i/lub modelowaniu danych czy programowaniu, choćby z wykorzystaniem popularnych arkuszy kalkulacyjnych i dostępnych w nich funkcji. Osoby nie mające takiego doświadczenia również serdecznie zapraszamy, niemniej będzie to zapewne wymagało nieco więcej samodzielnej pracy. Jest to jednak bardzo dobra inwestycja w kompetencje i wiedzę pożądane przez pracodawców.
Program
- Wprowadzenie do środowiska R. / Wprowadzenie do Pythona
- Wczytywanie danych z różnych źródeł
- Przygotowanie danych do analiz
- Wizualizacja danych
- Statystyczna analiza danych
- Unsupervised Learning
- Zaawansowane programowanie
- Regresja liniowa i logistyczna
- Indywidualne konsultacje dotyczące przygotowania pracy dyplomowej
- Semestr II (letni)
- Machine learning 1
- Machine learning 2
- Natural Language Processing
- Deep Learning
- Zajęcia fakultatywne – do wyboru (np. Raporty i prezentacje w R Markdown, Web scrapping, Statystyka bayesowska, Wprowadzenie do szeregów czasowych, Analiza danych przestrzennych, Explainable Artificial Intelligence, Tworzenie aplikacji webowych, Algorytmiczne strategie inwestycyjne)
- Indywidualne konsultacje dotyczące przygotowania pracy dyplomowej
Zastosowane metody
W odróżnieniu od innych programów tego rodzaju, studia na WNE UW z "Data Science" mają w całości charakter warsztatowy, z naciskiem na stronę aplikacyjną i samodzielne stosowanie omawianych metod w praktyce. W szczególny sposób program studiów uwzględnia nowoczesne metody uczenia maszynowego.
Dodatkowe informacje organizacyjne
Administracja
mgr Mandera Piotr
pmandera@wne.uw.edu.pl
+48 22 55 49 135
Uczestnik otrzymuje:
świadectwo ukończenia studiów podyplomowych
Wiedza:
- 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.
Umiejętności:
- 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.
Kompetencje społeczne:
- 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.
Pozostałe korzyści:
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).