Részvételi díj
Online ár: 98.000 Ft + áfa/fő
A képzés célja, hogy a résztvevők adatelemzési feladatokon keresztül megismerkedjenek a Data Science terület egyik legnépszerűbb eszközével, a R-rel.
A képzés folyamán gyakorlati példákon keresztül mutatjuk be, milyen vállalatirányítási problémákra és hogyan adhatunk választ a korszerű adatelemzési eszközökkel.
Advanced Analytics Pythonnal
A képzés célja
Advanced Analytics Pythonnal
A képzés célja
A képzés célja, hogy a résztvevők adatelemzési feladatokon keresztül megismerkedjenek a Data Science terület egyik legnépszerűbb eszközével, a Pythonnal.
A képzés folyamán gyakorlati példákon keresztül mutatjuk be, milyen vállalatirányítási problémákra és hogyan adhatunk választ a korszerű adatelemzési eszközökkel.
Advanced Analytics Pythonnal
A képzés célja
A képzés célja, hogy a résztvevők adatelemzési feladatokon keresztül megismerkedjenek a Data Science terület egyik legnépszerűbb eszközével, a Pythonnal.
A képzés folyamán gyakorlati példákon keresztül mutatjuk be, milyen vállalatirányítási problémákra és hogyan adhatunk választ a korszerű adatelemzési eszközökkel.
Advanced Analytics Pythonnal
A képzés célja
Advanced Analytics Pythonnal
A képzés célja
A képzés célja, hogy a résztvevők adatelemzési feladatokon keresztül megismerkedjenek a Data Science terület egyik legnépszerűbb eszközével, a Pythonnal.
A képzés folyamán gyakorlati példákon keresztül mutatjuk be, milyen vállalatirányítási problémákra és hogyan adhatunk választ a korszerű adatelemzési eszközökkel.
Advanced Analytics elemzések / projektek sikertényezői, előfeltételei
- Reális vezetői elvárások és célkitűzések
- Hatékony adatelemzés modern megközelítése és elméleti háttere:
- Az adatelemzés folyamatának, módszertanának átadása
- Az adatok szerepének, fajtáinak, forrásainak megértése
- Adatigény definiálás és adatbekérés, az adatforrásokból és a kommunikációs csatornákból adódó hibák és zajok kiszűrése adatbeolvasás során
- Nagyméretű adatbázisok kezelése
- Adattisztítás módszertanának elsajátítása
- Praktikus ismerek és tippek az adatfeldolgozáshoz
- A leggyakoribb adatelemzési technikák elsajátítása, algoritmusok bemutatása, a „fekete doboz” feltárása (mi a különbség a regresszió, a klasszifikáció és az idősoros előrejelzés között?)
- Az elvégzett elemzések értékelésének módszerei, döntés a komplexitás és a fenntarthatóság között
- Innovatív prediktív, adatbányászati elemzési módszerek bemutatása gyakorlati példákon keresztül
- Statisztikai elemzésekhez használt legnépszerűbb célszoftverek bemutatása, összehasonlítása az Excellel
- Gyakorlati feladatok R-ben
- Leíró statisztika
- Lineáris regresszió
- Klaszterezés
- Idősoros dekompozíció
- Műhelymunka: Mennyi adatot termelünk ma? Mit ér ez az adatvagyon? Milyen felhasználási területek lehetnek, amelyek segítik az automatizációt, a jobb döntéshozatalt saját munkánkban?
- Lehetséges alkalmazási területek feltárása
A képzés célja, hogy a résztvevők adatelemzési feladatokon keresztül megismerkedjenek a Data Science terület egyik legnépszerűbb eszközével, a Pythonnal.
A képzés folyamán gyakorlati példákon keresztül mutatjuk be, milyen vállalatirányítási problémákra és hogyan adhatunk választ a korszerű adatelemzési eszközökkel.
Advanced Analytics elemzések / projektek sikertényezői, előfeltételei
- Reális vezetői elvárások és célkitűzések
- Hatékony adatelemzés modern megközelítése és elméleti háttere:
- Az adatelemzés folyamatának, módszertanának átadása
- Az adatok szerepének, fajtáinak, forrásainak megértése
- Adatigény definiálás és adatbekérés, az adatforrásokból és a kommunikációs csatornákból adódó hibák és zajok kiszűrése adatbeolvasás során
- Nagyméretű adatbázisok kezelése
- Adattisztítás módszertanának elsajátítása
- Praktikus ismerek és tippek az adatfeldolgozáshoz
- A leggyakoribb adatelemzési technikák elsajátítása, algoritmusok bemutatása, a „fekete doboz” feltárása (mi a különbség a regresszió, a klasszifikáció és az idősoros előrejelzés között?)
- Az elvégzett elemzések értékelésének módszerei, döntés a komplexitás és a fenntarthatóság között
- Innovatív prediktív, adatbányászati elemzési módszerek bemutatása gyakorlati példákon keresztül
- Statisztikai elemzésekhez használt legnépszerűbb célszoftverek bemutatása, összehasonlítása az Excellel
- Gyakorlati feladatok R-ben
- Leíró statisztika
- Lineáris regresszió
- Klaszterezés
- Idősoros dekompozíció
- Műhelymunka: Mennyi adatot termelünk ma? Mit ér ez az adatvagyon? Milyen felhasználási területek lehetnek, amelyek segítik az automatizációt, a jobb döntéshozatalt saját munkánkban?
- Lehetséges alkalmazási területek feltárása
A képzés célja, hogy a résztvevők adatelemzési feladatokon keresztül megismerkedjenek a Data Science terület egyik legnépszerűbb eszközével, a Pythonnal.
A képzés folyamán gyakorlati példákon keresztül mutatjuk be, milyen vállalatirányítási problémákra és hogyan adhatunk választ a korszerű adatelemzési eszközökkel.
Advanced Analytics elemzések / projektek sikertényezői, előfeltételei
- Reális vezetői elvárások és célkitűzések
- Hatékony adatelemzés modern megközelítése és elméleti háttere:
- Az adatelemzés folyamatának, módszertanának átadása
- Az adatok szerepének, fajtáinak, forrásainak megértése
- Adatigény definiálás és adatbekérés, az adatforrásokból és a kommunikációs csatornákból adódó hibák és zajok kiszűrése adatbeolvasás során
- Nagyméretű adatbázisok kezelése
- Adattisztítás módszertanának elsajátítása
- Praktikus ismerek és tippek az adatfeldolgozáshoz
- A leggyakoribb adatelemzési technikák elsajátítása, algoritmusok bemutatása, a „fekete doboz” feltárása (mi a különbség a regresszió, a klasszifikáció és az idősoros előrejelzés között?)
- Az elvégzett elemzések értékelésének módszerei, döntés a komplexitás és a fenntarthatóság között
- Innovatív prediktív, adatbányászati elemzési módszerek bemutatása gyakorlati példákon keresztül
- Statisztikai elemzésekhez használt legnépszerűbb célszoftverek bemutatása, összehasonlítása az Excellel
- Gyakorlati feladatok R-ben
- Leíró statisztika
- Lineáris regresszió
- Klaszterezés
- Idősoros dekompozíció
- Műhelymunka: Mennyi adatot termelünk ma? Mit ér ez az adatvagyon? Milyen felhasználási területek lehetnek, amelyek segítik az automatizációt, a jobb döntéshozatalt saját munkánkban?
- Lehetséges alkalmazási területek feltárása
Advanced Analytics elemzések / projektek sikertényezői, előfeltételei
- Reális vezetői elvárások és célkitűzések
- Hatékony adatelemzés modern megközelítése és elméleti háttere:
- Az adatelemzés folyamatának, módszertanának átadása
- Az adatok szerepének, fajtáinak, forrásainak megértése
- Adatigény definiálás és adatbekérés, az adatforrásokból és a kommunikációs csatornákból adódó hibák és zajok kiszűrése adatbeolvasás során
- Nagyméretű adatbázisok kezelése
- Adattisztítás módszertanának elsajátítása
- Praktikus ismerek és tippek az adatfeldolgozáshoz
- A leggyakoribb adatelemzési technikák elsajátítása, algoritmusok bemutatása, a „fekete doboz” feltárása (mi a különbség a regresszió, a klasszifikáció és az idősoros előrejelzés között?)
- Az elvégzett elemzések értékelésének módszerei, döntés a komplexitás és a fenntarthatóság között
- Innovatív prediktív, adatbányászati elemzési módszerek bemutatása gyakorlati példákon keresztül
- Statisztikai elemzésekhez használt legnépszerűbb célszoftverek bemutatása, összehasonlítása az Excellel
- Gyakorlati feladatok R-ben
- Leíró statisztika
- Lineáris regresszió
- Klaszterezés
- Idősoros dekompozíció
- Műhelymunka: Mennyi adatot termelünk ma? Mit ér ez az adatvagyon? Milyen felhasználási területek lehetnek, amelyek segítik az automatizációt, a jobb döntéshozatalt saját munkánkban?
- Lehetséges alkalmazási területek feltárása
- Mit kell tudni vezetőként, mielőtt belevágunk egy Advanced Analytics projektbe?
- Milyen üzleti esetekre tud megoldást nyújtani az Advanced Analytics?
- Milyen reális elvárásokat támaszthatunk vezetőként?
- Mik a sikertényezők?
- Milyen szerepek szükségesek az adatelemzési projektekben?
- Milyen alapvető AA-fogalmakkal érdemes vezetőként tisztában lenni?
- Műhelymunka: Mennyi adatot termelünk ma? Mit ér ez az adatvagyon? Milyen felhasználási területek lehetnek, amelyek segítik az automatizációt, a jobb döntéshozatalt saját munkánkban? Lehetséges alkalmazási területek feltárása.
- IBM SPSS, Modeler, RapidMiner, R vagy Python – melyiket válasszuk és miért? Összehasonlítás, szempontok
A képzés célja, hogy a résztvevők adatelemzési feladatokon keresztül megismerkedjenek a Data Science terület egyik legnépszerűbb eszközével, a Pythonnal.
A képzés folyamán gyakorlati példákon keresztül mutatjuk be, milyen vállalatirányítási problémákra és hogyan adhatunk választ a korszerű adatelemzési eszközökkel.
Advanced Analytics Pythonnal
A képzés célja
Advanced Analytics Pythonnal
A képzés célja
A képzés célja, hogy a résztvevők adatelemzési feladatokon keresztül megismerkedjenek a Data Science terület egyik legnépszerűbb eszközével, a Pythonnal.
A képzés folyamán gyakorlati példákon keresztül mutatjuk be, milyen vállalatirányítási problémákra és hogyan adhatunk választ a korszerű adatelemzési eszközökkel.
A képzés célja, hogy a résztvevők adatelemzési feladatokon keresztül megismerkedjenek a Data Science terület egyik legnépszerűbb eszközével, a Pythonnal.
A képzés folyamán gyakorlati példákon keresztül mutatjuk be, milyen vállalatirányítási problémákra és hogyan adhatunk választ a korszerű adatelemzési eszközökkel.
- Mit kell tudni vezetőként, mielőtt belevágunk egy Advanced Analytics projektbe?
- Milyen üzleti esetekre tud megoldást nyújtani az Advanced Analytics?
- Milyen reális elvárásokat támaszthatunk vezetőként?
- Mik a sikertényezők?
- Milyen szerepek szükségesek az adatelemzési projektekben?
- Milyen alapvető AA-fogalmakkal érdemes vezetőként tisztában lenni?
- Műhelymunka: Mennyi adatot termelünk ma? Mit ér ez az adatvagyon? Milyen felhasználási területek lehetnek, amelyek segítik az automatizációt, a jobb döntéshozatalt saját munkánkban? Lehetséges alkalmazási területek feltárása.
- IBM SPSS, Modeler, RapidMiner, R vagy Python – melyiket válasszuk és miért? Összehasonlítás, szempontok
Advanced Analytics elemzések / projektek sikertényezői, előfeltételei
- Reális vezetői elvárások és célkitűzések
- Hatékony adatelemzés modern megközelítése és elméleti háttere:
- Az adatelemzés folyamatának, módszertanának átadása
- Az adatok szerepének, fajtáinak, forrásainak megértése
- Adatigény definiálás és adatbekérés, az adatforrásokból és a kommunikációs csatornákból adódó hibák és zajok kiszűrése adatbeolvasás során
- Nagyméretű adatbázisok kezelése
- Adattisztítás módszertanának elsajátítása
- Praktikus ismerek és tippek az adatfeldolgozáshoz
- A leggyakoribb adatelemzési technikák elsajátítása, algoritmusok bemutatása, a „fekete doboz” feltárása (mi a különbség a regresszió, a klasszifikáció és az idősoros előrejelzés között?)
- Az elvégzett elemzések értékelésének módszerei, döntés a komplexitás és a fenntarthatóság között
- Innovatív prediktív, adatbányászati elemzési módszerek bemutatása gyakorlati példákon keresztül
- Statisztikai elemzésekhez használt legnépszerűbb célszoftverek bemutatása, összehasonlítása az Excellel
- Gyakorlati feladatok R-ben
- Leíró statisztika
- Lineáris regresszió
- Klaszterezés
- Idősoros dekompozíció
- Műhelymunka: Mennyi adatot termelünk ma? Mit ér ez az adatvagyon? Milyen felhasználási területek lehetnek, amelyek segítik az automatizációt, a jobb döntéshozatalt saját munkánkban?
- Lehetséges alkalmazási területek feltárása
- Mit kell tudni vezetőként, mielőtt belevágunk egy Advanced Analytics projektbe?
- Milyen üzleti esetekre tud megoldást nyújtani az Advanced Analytics?
- Milyen reális elvárásokat támaszthatunk vezetőként?
- Mik a sikertényezők?
- Milyen szerepek szükségesek az adatelemzési projektekben?
- Milyen alapvető AA-fogalmakkal érdemes vezetőként tisztában lenni?
- Műhelymunka: Mennyi adatot termelünk ma? Mit ér ez az adatvagyon? Milyen felhasználási területek lehetnek, amelyek segítik az automatizációt, a jobb döntéshozatalt saját munkánkban? Lehetséges alkalmazási területek feltárása.
- IBM SPSS, Modeler, RapidMiner, R vagy Python – melyiket válasszuk és miért? Összehasonlítás, szempontok
Regisztráció
| Cím | Helyszín | Időpont |
|---|---|---|
| Advanced Analytics R-rel | Budapest | 2021.05.05 - 2021.05.06 |
Tematika
Advanced Analytics Pythonnal
A képzés célja
- Advanced Analytics elemzések / projektek sikertényezői, előfeltételei
- Reális vezetői elvárások és célkitűzések
- Hatékony adatelemzés modern megközelítése és elméleti háttere:
- Az adatelemzés folyamatának, módszertanának átadása
- Az adatok szerepének, fajtáinak, forrásainak megértése
- Adatigény definiálás és adatbekérés, az adatforrásokból és a kommunikációs csatornákból adódó hibák és zajok kiszűrése adatbeolvasás során
- Nagyméretű adatbázisok kezelése
- Adattisztítás módszertanának elsajátítása
- Praktikus ismerek és tippek az adatfeldolgozáshoz
- A leggyakoribb adatelemzési technikák elsajátítása, algoritmusok bemutatása, a „fekete doboz” feltárása (mi a különbség a regresszió, a klasszifikáció és az idősoros előrejelzés között?)
- Az elvégzett elemzések értékelésének módszerei, döntés a komplexitás és a fenntarthatóság között
- Innovatív prediktív, adatbányászati elemzési módszerek bemutatása gyakorlati példákon keresztül
- Statisztikai elemzésekhez használt legnépszerűbb célszoftverek bemutatása, összehasonlítása az Excellel
- Gyakorlati feladatok R-ben
- Leíró statisztika
- Lineáris regresszió
- Klaszterezés
- Idősoros dekompozíció
- Műhelymunka: Mennyi adatot termelünk ma? Mit ér ez az adatvagyon? Milyen felhasználási területek lehetnek, amelyek segítik az automatizációt, a jobb döntéshozatalt saját munkánkban?
- Lehetséges alkalmazási területek feltárása
Módszertan
Előadás, egyéni és csoportos feladatmegoldás
A csoportlétszám korlátozott: 5-6 fő / tréner.
Eredmény
A résztvevők saját laptopokon dolgozva betekintést kapnak a data science alapjaiba.
A képzés célja, hogy a résztvevők adatelemzési feladatokon keresztül megismerkedjenek a Data Science terület egyik legnépszerűbb eszközével, a Pythonnal.
A képzés folyamán gyakorlati példákon keresztül mutatjuk be, milyen vállalatirányítási problémákra és hogyan adhatunk választ a korszerű adatelemzési eszközökkel.
Célcsoport
Képzésünket ajánljuk mindazoknak, akik betekintést szeretnének kapni a Data Science világába:
- Controllereknek
- Értékesítési, marketing, fejlesztési, termelési, logisztikai területen dolgozó üzleti elemzőknek
Advanced Analytics Pythonnal
A képzés célja
A képzés célja, hogy a résztvevők adatelemzési feladatokon keresztül megismerkedjenek a Data Science terület egyik legnépszerűbb eszközével, a Pythonnal.
A képzés folyamán gyakorlati példákon keresztül mutatjuk be, milyen vállalatirányítási problémákra és hogyan adhatunk választ a korszerű adatelemzési eszközökkel.
Advanced Analytics elemzések / projektek sikertényezői, előfeltételei
- Reális vezetői elvárások és célkitűzések
- Hatékony adatelemzés modern megközelítése és elméleti háttere:
- Az adatelemzés folyamatának, módszertanának átadása
- Az adatok szerepének, fajtáinak, forrásainak megértése
- Adatigény definiálás és adatbekérés, az adatforrásokból és a kommunikációs csatornákból adódó hibák és zajok kiszűrése adatbeolvasás során
- Nagyméretű adatbázisok kezelése
- Adattisztítás módszertanának elsajátítása
- Praktikus ismerek és tippek az adatfeldolgozáshoz
- A leggyakoribb adatelemzési technikák elsajátítása, algoritmusok bemutatása, a „fekete doboz” feltárása (mi a különbség a regresszió, a klasszifikáció és az idősoros előrejelzés között?)
- Az elvégzett elemzések értékelésének módszerei, döntés a komplexitás és a fenntarthatóság között
- Innovatív prediktív, adatbányászati elemzési módszerek bemutatása gyakorlati példákon keresztül
- Statisztikai elemzésekhez használt legnépszerűbb célszoftverek bemutatása, összehasonlítása az Excellel
- Gyakorlati feladatok R-ben
- Leíró statisztika
- Lineáris regresszió
- Klaszterezés
- Idősoros dekompozíció
- Műhelymunka: Mennyi adatot termelünk ma? Mit ér ez az adatvagyon? Milyen felhasználási területek lehetnek, amelyek segítik az automatizációt, a jobb döntéshozatalt saját munkánkban?
- Lehetséges alkalmazási területek feltárása
- Mit kell tudni vezetőként, mielőtt belevágunk egy Advanced Analytics projektbe?
- Milyen üzleti esetekre tud megoldást nyújtani az Advanced Analytics?
- Milyen reális elvárásokat támaszthatunk vezetőként?
- Mik a sikertényezők?
- Milyen szerepek szükségesek az adatelemzési projektekben?
- Milyen alapvető AA-fogalmakkal érdemes vezetőként tisztában lenni?
- Műhelymunka: Mennyi adatot termelünk ma? Mit ér ez az adatvagyon? Milyen felhasználási területek lehetnek, amelyek segítik az automatizációt, a jobb döntéshozatalt saját munkánkban? Lehetséges alkalmazási területek feltárása.
- IBM SPSS, Modeler, RapidMiner, R vagy Python – melyiket válasszuk és miért? Összehasonlítás, szempontok
Időtartam
2 nap
Jelentkezési határidő
2021. április 23.
Szervezési feltételek
A képzést online formában, Microsoft Teams-en tartjuk.
Az esetleges program- és időpontváltoztatás jogát a hivatalos visszaigazolásig fenntartjuk.
Kapcsolat
Telefon: +36 1 382 8888
Email: ifuaoktatasszervezes@horvath-partners.com
Pénzügyi feltételek, lemondás
- A rendezvényen a részvétel feltétele a részvételi díj előzetes kiegyenlítése. A visszaigazolással egyidőben előlegbekérőt küldünk.
- A jelentkező esetleges visszalépési szándékát kizárólag írásban jelezheti felénk a jelentkezes@horvath-partners.com címre küldött e-mailben. Telefonos vagy egyéb szóbeli lemondásokat nem áll módunkban elfogadni.
- Lemondási határidő: legkésőbb a képzés napja előtti 5. munkanapon 10:00 óráig bezárólag. Ebben az esetben a teljes részvételi díj visszafizetésre kerül. Ezt követően nem áll módunkban elfogadni a lemondást.
- A kifizetett részvételi díj szükség esetén más személyre is átruházható.
- A lemondási határidő utáni regisztráció esetén lemondásra nincs lehetőség.
- Az elektronikus jelentkezés megrendelésnek minősül, ezért utólagos reklamációkat a lemondási határidő után nem áll módunkban elfogadni. Ha a lemondási határidőig nem érkezett be írásbeli lemondás, ki kell fizetni a teljes részvételi díjat a rendezvénytől való távolmaradás vagy a díjbekérő kifizetésének elmulasztása esetén is, mivel a szervezés és előkészítés során részvételével számoltunk.
Részvételi díj
179.000 Ft + áfa/fő
Jelentkezési határidő
2020. november 20.
Kapcsolat
Telefon: +36 1 382 8888
Email: ifuaoktatasszervezes@horvath-partners.com
Pénzügyi feltételek, lemondás
- A rendezvényen a részvétel feltétele a részvételi díj előzetes kiegyenlítése. A visszaigazolással egyidőben előlegbekérőt küldünk.
- A jelentkező esetleges visszalépési szándékát kizárólag írásban jelezheti felénk a jelentkezes@horvath-partners.com címre küldött e-mailben. Telefonos vagy egyéb szóbeli lemondásokat nem áll módunkban elfogadni.
- Lemondási határidő: legkésőbb a képzés napja előtti 5. munkanapon 10:00 óráig bezárólag. Ebben az esetben a teljes részvételi díj visszafizetésre kerül. Ezt követően nem áll módunkban elfogadni a lemondást.
- A kifizetett részvételi díj szükség esetén más személyre is átruházható.
- A lemondási határidő utáni regisztráció esetén lemondásra nincs lehetőség.
- Az elektronikus jelentkezés megrendelésnek minősül, ezért utólagos reklamációkat a lemondási határidő után nem áll módunkban elfogadni. Ha a lemondási határidőig nem érkezett be írásbeli lemondás, ki kell fizetni a teljes részvételi díjat a rendezvénytől való távolmaradás vagy a díjbekérő kifizetésének elmulasztása esetén is, mivel a szervezés és előkészítés során részvételével számoltunk.
Regisztráció
Zur Anmeldung Button
Zur Anmeldung Button
Zur Anmeldung Button
Zur Anmeldung Button
Zur Anmeldung Button
Zur Anmeldung Button
Zur Anmeldung Button
Zur Anmeldung Button
Zur Anmeldung Button
Zur Anmeldung Button
Ha érdeklődik a képzés iránt, kérjük, vegye fel velünk a kapcsolatot
