EN
Duomenų analitika su Python
0.0 ★★★★★ (0)

UAB Baltijos technologijų institutas

Duomenų analitika su Python

Neformaliojo suaugusiųjų švietimo programa | 22406130032

  • Mokymai prasideda: —
  • Trukmė: 320 akad. val.
  • Kaina nuo: —
  • Finansavimas: —

Apie mokymus

Mokymų teikėjo pateikta informacija

Anotacija

Ši programa suteikia esmines duomenų analizės ir skaitmenines kompetencijas, apimančias SQL, Power BI ir Python. Mokymų metu dalyviai pereina nuo duomenų tvarkymo ir apdorojimo iki pažangesnių analizės ir vizualizacijos technikų. Didelis dėmesys skiriamas praktikai – teorinės žinios nuolat įtvirtinamos realiais projektais ir užduotimis. Programos pabaigoje dalyviai atlieka baigiamąjį projektą, kuriame pritaiko įgytas žinias atlikdami visą duomenų analizės ciklą.

Įgyjamos ir tobulinamos kompetencijos

Bendrosios kompetencijos

  • Skaitmeninė kompetencija

Profesinės kompetencijos

  • 123. Kurti taikomąsias programas, naudojant Python karkasus (Taikomųjų ir žiniatinklio programų su grafine vartotojo sąsaja kūrimas naudojant Python karkasus. Duomenų analizės, dirbtinio intelekto ir mašininio mokymosi karkasų naudojimas kuriant taikomąsias programas);
  • 130. Projektuoti tipines reliacines ir nereliacines (NoSQL) duomenų bazes (Duomenų bazės (MySQL, PostgreSQL, MongoDB ir kt.), jų tipai, skirtumai ir taikymo galimybės. Reliacinės ir nerealiacinės duomenų schemos, jų projektavimas);
  • 115. Taikyti programinės įrangos kūrimui naudojamus informatikos principus ir metodus (Skaičiavimo sistemos. Logikos principai ir jų taikymas programuojant. Algoritmai ir duomenų struktūros, jų programinis įgyvendinimas. Programinio kodo dizaino modeliai (angl. design patterns), jų taikymas programuojant. Informacinių sistemų kūrimui naudojami principai ir metodai. Programinės įrangos projektavimo pagrindai);

Aukštą pridėtinę vertę kuriančios kvalifikacijos ir kompetencijos

—

Mokymosi programos turinys

Temos pavadinimas Trumpas temos aprašymas
1. SQL pagrindai ir duomenų apdorojimo algoritmai Tema apima SQL užklausų kūrimo pagrindus, duomenų atranką, filtravimą ir agregavimą. Mokoma taikyti logikos principus, algoritmus ir duomenų struktūras duomenų apdorojimo procesuose. Aiškinami indeksavimo, užklausų optimizavimo ir skaičiavimo sistemų pagrindai. Dalyviai praktiškai analizuoja SQL užklausų veikimą ir taiko informacinių sistemų kūrimo metodus.
2. Duomenų bazių projektavimas ir valdymas (Reliacinės ir NoSQL DB) Nagrinėjami reliacinių (MySQL, PostgreSQL) ir nerelacinių (MongoDB) duomenų bazių tipai, jų skirtumai ir taikymo galimybės. Dalyviai mokosi projektuoti reliacines ir NoSQL duomenų schemas, atlikti normalizaciją, modeliuoti ryšius ir valdyti duomenų struktūras. Praktinėse užduotyse kuriamos DB struktūros ir atliekamos CRUD operacijos analitinėms užduotims.
3. Python duomenų analizei Mokoma naudoti Python įrankius duomenų importui, valymui, transformavimui ir analizei (pandas, NumPy, matplotlib). Tema apima Python taikymą analitinių ir taikomųjų programų kūrimui, duomenų apdorojimo logikos automatizavimui ir integracijai su SQL duomenų bazėmis. Supažindinama su dirbtinio intelekto ir mašininio mokymosi bibliotekų (scikit-learn) pagrindais.
4. Duomenų vizualizacija ir ataskaitų kūrimas (Power BI) Dalyviai mokosi modeliuoti duomenis ir kurti interaktyvias ataskaitas Power BI aplinkoje. Aptariami ryšių modeliai, DAX formulės ir vizualizacijų dizaino principai. Praktinėse užduotyse kuriamos interaktyvios duomenų vizualizacijos, taikomos skaitmeninės priemonės rezultatų pristatymui.
5. Skaitmeninės kompetencijos integruotas modulis Modulyje taikomi skaitmeniniai įrankiai duomenų integracijai, procesų automatizavimui ir bendradarbiavimui. Naudojamos Python automatizacijos priemonės, SQL duomenų paruošimas Power BI integracijai ir skaitmeninės platformos (GitHub, Teams). Dalyviai kuria integruotus mini projektus, taikydami analitinius ir programavimo įgūdžius.
6. Statistika ir regresija Apžvelgiami statistinės analizės pagrindai: pasiskirstymai, koreliacija, regresija ir klasifikavimas. Dalyviai taiko Python ir ML bibliotekas (scikit-learn) modelių treniravimui, vertinimui ir rezultatų interpretavimui. Tema skirta praktiškai pritaikyti mašininio mokymosi metodus analitiniuose sprendimuose.

Programos ypatumai

—

Papildomi reikalavimai

—

Mokymosi programos trukmė

Mokymosi programos trukmė: 320 akad. val.

Praktinio kontaktinio darbo trukmė: akad. val.

Teorinio kontaktinio darbo trukmė: akad. val.

Savarankiško darbo trukmė: akad. val.

Vertinimas

Įgytų kompetencijų vertinimo sistema / skalė: Įskaityta

Slapukai

Naudojame būtinuosius slapukus, kad svetainė veiktų. Su jūsų sutikimu taip pat galime naudoti analitikos ir rinkodaros slapukus, kad pagerintume svetainės patirtį.
Būtinieji
Nuostatos
Analitika