Data Science i Big Data w zarządzaniu

Od lat przedsiębiorstwa przechodzą od niewielkich ilości danych i analizy opartej wyłącznie o wiedzę ekspercką, często skrzywioną spojrzeniem osoby analizującej problem, na decyzje oparte na informacji i wiedzy płynących z gromadzonych danych.

Nowocześni liderzy powinni być świadomi możliwości, które niesie ze sobą poprawna praca z danymi oraz analiza i automatyzacja związanych z nimi procesów. W szczególności powinni patrzeć ponad sloganami i rozumieć, w jaki sposób technologie i metody analityczne mogą przynieść wartość przedsiębiorstwu. Rozwijając własne zdolności analityczne zyskują lepszą zdolność monitorowania postępów prac i podejmowania decyzji w oparciu o kwantyfikowane miary sukcesu.

Cel studiów

Studia podyplomowe Data Science i Big Data w zarządzaniu mają na celu dostarczenie kadrze managerskiej całościowego spojrzenia na ogół zagadnień związanych z Big Data i Data Science.

Poza zdobyciem wiedzy w zakresie specyfiki dużych danych, integracji i gromadzenia danych z różnych źródeł oraz architektury rozwiązań klasy Big Data uczestnicy rozwiną także praktyczne kompetencje z obszaru kierowania działem, projektem lub przedsiębiorstwem w organizacjach korzystających z rozwiązań Big Data oraz osiągnięć Data Science.

Dla kogo przeznaczone są studia?

Studia podyplomowe Data Science i Big Data w zarządzaniu przeznaczone są dla osób ze szczebla średniej i wyższej kadry managerskiej pełniącej swoje funkcje m.in. (ale nie wyłącznie) w obszarach marketingu, finansów, IT, zarządzania łańcuchem produkcji, HR, zarządzanie strategiczne.

Program studiów przygotowany został też z myślą o potrzebach kierowników projektów, którzy chcą pogłębić wiedzę dziedzinową związaną z Big Data i Data Science i dzięki temu zyskać szerszą perspektywę oraz lepiej rozumieć kontekst prowadzonych projektów. Zdobyta wiedza i umiejętności pozwolą lepiej rozumieć, z jakimi problemami mierzą się członkowie zespołu projektowego oraz być lepiej przygotowanym do rozmów z osobami technicznymi.

Program studiów

1. Wprowadzenie do Big Data i Data Science

Wprowadzenia do tematyki wdrażania i realizacji projektów Big Data / Data Science w organizacji.
Wprowadzenie do tematyki analizy danych (data science) i uczenia maszynowego (machine learning) w przedsiębiorstwie.
Wprowadzenie do technologii analizy dużych danych (big data) w przedsiębiorstwie.

2. Statystyka

Metody opisu struktury zbiorowości jednowymiarowych.
Metody losowego i nielosowego doboru próby.
Zmienna losowa.
Teoria estymacji.
Testowanie hipotez statystycznych.
Metody analizy współzależności zjawisk.
Funkcja regresji liniowej.
Funkcja regresji logistycznej.

3. Podejmowanie decyzji w oparciu o dane: metody

Sztuczna inteligencja (AI) vs Machine learning.
Praca z danymi - przygotowanie.
Modele nadzorowane - wprowadzenie do różnych klas modeli, porównanie ich użyteczności do różnych zagadnień, wady, zalety, przykłady użycia.
Tuning i interpretowalność modeli.
Ewaluacja modeli - wyjaśnienie czym i po co są zbiory treningowy, walidacyjny, testowy, do czego służy walidacja krzyżowa (cross-validation) oraz jak oceniać modele.
Modele nienadzorowane - wprowadzenie do różnych klas modeli, porównanie ich użyteczności do różnych zagadnień, wady, zalety, przykłady użycia.
Metody redukcji wymiarów i reprezentacji danych.
Text mining.
Wprowadzenie do Deep Learning.
Deep learning w NLP.
Wizja komputerowa (Computer Vision) z wykorzystaniem Deep learningu - case study, jak zbudować prostą wyszukiwarkę/rekomender podobnych obrazów.

4. Podejmowanie decyzji w oparciu o dane: narzędzia wizualizacji i Business Intelligence

Podstawy hurtowni danych
Wizualizacja danych
Charakterystyka narzędzi BI
Cechy wyróżniające wybrane narzędzia BI
Warsztat Power BI

5. Big Data - strategia, wdrożenie, transformacja przedsiębiorstwa

Podstawowe pojęcia i definicje w obszarze.
Rola danych, jako strategicznego zasobu organizacji.
Rola i wyzwania dla CDO.
Metodyka strategicznego podejścia do zarządzania danymi.
Definiowanie i wdrażanie Strategii Danych.
Wielowymiarowa perspektywa Data Management / Data Governance w organizacji.
Modele oceny zaawansowania analitycznego organizacji.
Modele oceny dojrzałości Data Management / Data Governance.
Wprowadzenie do DAMA oraz innych frameworków Data Management / Data Governance.
Architektury danych oraz Modelowanie danych.
Metodyka zarządzania i realizacji projektów i programów w obszarze danych.
Charakterystyka rozwiązań Hurtowni Danych/BI, Data Lake, Big Data i Data Science.
Struktura organizacyjna oraz kluczowe role w obszarze Data Management.
Zarządzanie zmianą kulturową w obszarze danych w organizacji.

6. Infrastruktura Big Data i zarządzanie danymi

Budowa systemów do przetwarzania dużych zbiorów danych
Planowanie infrastruktury
Architektura lambda i kappa
Skalowalność systemów
Przechowywanie danych
SQL i NoSQL w świecie Big Data
Modelowanie danych
Sposoby przetwarzania danych
Zastosowania czasu rzeczywistego
Przetwarzanie strumieniowe danych
Integracja systemów
Przetwarzanie i składowanie danych w chmurze publicznej
Strategia Multicloud
Integracja środowiska on premise z środowiskiem chmury publicznej
Rozwiązania chmurowe niezależne od dostawcy infrastruktury

7. Python w analizie danych

Środowisko pracy i wprowadzenie do programowania.
Podstawy programowania w języku Python (w tym: typy danych, instrukcję sterujące funkcje).
Przetwarzanie danych tabelarycznych w bibliotece pandas (selekcja danych względem zadanych kryteriów, transformacje danych, agregowanie).
Wczytywanie i zapis danych w formatach typowych dla programu Excel.
Podstawowe instrukcje do wizualizacji danych.
Połączenie z bazą danych SQL z poziomu Python.
Wykorzystanie uczenia maszynowego w języku Python (uczenie i ewaluacja modelu predykcyjnego).
Zapisywanie, wczytywanie i zastosowanie zbudowanych modeli.

8. Zagadnienia bezpieczeństwa danych

Podstawowe usługi ochrony informacji
Wybrane techniki ochrony informacji
Podstawy prawne ochrony informacji
Modele bezpieczeństwa systemów
Polityka bezpieczeństwa
Metody oceny bezpieczeństwa systemów
Ochrona informacji w bazach danych
Przetwarzanie danych osobowych i wrażliwych
Blockchain jako rozproszona baza danych Podstawowe usługi ochrony informacji