Eto ipele fun gbigba onimọ-ẹrọ data oojọ

Fun ọdun mẹjọ sẹhin Mo ti n ṣiṣẹ bi oluṣakoso iṣẹ akanṣe (Emi ko kọ koodu ni iṣẹ), eyiti o ni odi ni ipa lori ẹhin imọ-ẹrọ mi. Mo pinnu lati pa aafo imọ-ẹrọ mi ati gba oojọ ti ẹlẹrọ Data. Imọye pataki ti Onimọ-ẹrọ Data ni agbara lati ṣe apẹrẹ, kọ, ati ṣetọju awọn ile itaja data.

Mo ṣe eto ikẹkọ, Mo ro pe yoo wulo kii ṣe fun mi nikan. Eto naa ni idojukọ lori awọn iṣẹ ikẹkọ ti ara ẹni. Ni pataki ni a fun ni awọn iṣẹ ọfẹ ni Ilu Rọsia.

Awọn apakan:

• Awọn alugoridimu ati awọn ẹya data. Abala bọtini. Kọ ẹkọ ati pe ohun gbogbo yoo ṣiṣẹ paapaa. O ṣe pataki lati gba ọwọ rẹ lori koodu ati lo awọn ipilẹ ipilẹ ati awọn algoridimu.
• Databases ati data warehouses, Business oye. A n gbe lati awọn algoridimu si ibi ipamọ data ati sisẹ.
• Hadoop ati Big Data. Nigbati data ko ba wa lori dirafu lile, tabi nigbati data nilo lati ṣe itupalẹ, ṣugbọn Excel ko le gbe wọn mọ, data nla bẹrẹ. Ni ero mi, o jẹ dandan lati tẹsiwaju si apakan yii nikan lẹhin ikẹkọ jinlẹ ti awọn meji ti tẹlẹ.

Awọn alugoridimu ati awọn ẹya data

Ninu ero mi, Mo pẹlu kikọ Python, tun ṣe awọn ipilẹ ti mathimatiki ati algorithmization.

• Siseto ni Python
• Python: Awọn ipilẹ ati Awọn ohun elo
• Aljebra laini
• Likbez on ọtọ mathimatiki
• Algorithms: yii ati asa. Awọn ọna
• Algorithms: yii ati asa. Data Awọn ẹya

Databases ati data warehouses, Business oye

• Iwe: Martin Kleppman - Awọn ohun elo ti o ga julọ. Siseto, igbelosoke, atilẹyin. Iwe naa ṣe apejuwe bi awọn awoṣe data oriṣiriṣi ṣe n ṣiṣẹ, imuse wọn lati inu, awọn idiwọn ati awọn yiyan ti o da lori iṣẹ-ṣiṣe naa.
• Ifihan si awọn apoti isura infomesonu
• Besomi sinu DBMS
• Ifihan si awọn apoti isura infomesonu ti kii ṣe ibatan

Awọn koko-ọrọ ti o ni ibatan si kikọ awọn ile itaja data, ETL, cubes OLAP da lori awọn irinṣẹ, nitorinaa Emi ko fun awọn ọna asopọ si awọn iṣẹ ikẹkọ ninu iwe yii. O ni imọran lati ṣe iwadi iru awọn ọna ṣiṣe nigbati o ba n ṣiṣẹ lori iṣẹ kan pato ni ile-iṣẹ kan pato. Fun ifaramọ pẹlu ETL, o le gbiyanju Apapo tabi Fife ategun.

Ni ero mi, o ṣe pataki lati kawe ilana apẹrẹ Vault Data ode oni ọna asopọ 1, ọna asopọ 2. Ati pe ọna ti o dara julọ lati kọ ẹkọ ni lati mu ati ṣe imuse pẹlu apẹẹrẹ ti o rọrun. Ọpọlọpọ awọn apẹẹrẹ imuse Vault Data wa lori GitHub ọna asopọ. Iwe Ile-ipamọ Data Igbalode: Ṣiṣe apẹẹrẹ Ile-ipamọ Data Agile pẹlu Ile ifinkan data nipasẹ Hans Hultgren.

Lati ni ibatan pẹlu awọn irinṣẹ oye Iṣowo fun awọn olumulo ipari, o le lo apẹẹrẹ ọfẹ ti awọn ijabọ, dashboards, awọn ile itaja data mini Power BI Ojú-iṣẹ. Awọn ohun elo ẹkọ: ọna asopọ 1, ọna asopọ 2.

Hadoop ati Big Data

• O nilo lati bẹrẹ pẹlu imuse ominira ti MapReduce laisi awọn ile-ikawe ẹnikẹta. Eyi yoo gba oye ti o dara julọ ti awọn imuse multithreaded ni ọjọ iwaju. Apeere ti o dara julọ ni Python jẹ apejuwe nibi.
• Hadoop. Eto fun sisẹ awọn oye nla ti data.
• Ifihan to Big Data Engineering

ipari

Kii ṣe ohun gbogbo ti o kọ ni a le lo ni iṣẹ. Nitorinaa, o nilo iṣẹ akanṣe ayẹyẹ ipari ẹkọ ninu eyiti iwọ yoo gbiyanju lati lo imọ tuntun.

Ko si awọn akọle ti o ni ibatan si itupalẹ data ati Ẹkọ Ẹrọ ninu ero naa. eyi kan diẹ sii si oojọ Onimọ-jinlẹ Data. Ko si awọn akọle ti o ni ibatan si awọn awọsanma AWS, Azure. awọn akori wọnyi da lori yiyan pẹpẹ.

Awọn ibeere si agbegbe:
Báwo ni ètò ìpele mi ṣe tó? Kini lati yọ kuro tabi ṣafikun?
Ise agbese wo ni iwọ yoo ṣeduro bi iwe-ẹkọ?

orisun: www.habr.com