Informacje ogólne
Organizacja zajęć
Zajęcia realizowane są w formule hybrydowej, łączącej wykłady prowadzone zdalnie online na platformie Microsoft Teams z ćwiczeniami odbywającymi się stacjonarnie.
Harmonogram zajęć został zaplanowany w sposób ułatwiający organizację nauki osobom pracującym – jeden dzień każdego dwudniowego zjazdu odbywa się zdalnie, a drugi stacjonarnie.
W trybie stacjonarnym realizowane są również zaliczenia oraz egzaminy zerowe podczas ostatniego zjazdu.
Program studiów obejmuje dwa semestry i łącznie 210 godzin dydaktycznych, w tym 120 godzin zajęć praktycznych.
Wykłady realizowane online są nagrywane i udostępniane słuchaczom jako materiały wspierające naukę i powtórkę treści.
Zajęcia oraz materiały dydaktyczne prowadzone są w języku polskim.
Wartość dodana
Harmonogram zajęć jest ułożony tak, aby jeden dzień z każdego dwudniowego zjazdu był zdalnie (sobota lub niedziela), a drugi stacjonarnie, co bardzo usprawnia logistykę osób dojeżdżających na studia. Dodatkowym atutem takiego podziału zajęć są nagrane wykłady, które stanowią wartościową bazę materiałów wykorzystywanych do nauki treści oferowanych podczas kształcenia.
Program studiów
- Inżynieria danych
- Data Science, Big Data, Data Analysis
- Uczenie maszynowe i Deep Learning
- Algorytm MapReduce
- Model BigTable
- Rozwiązania sprzętowe
- Big Data na laptopie lub komputerze stacjonarnym
- Big Data na klastrze lokalnym
- Realizacje w Chmurze
- Zastosowanie procesorów graficznych
- Wykorzystanie NVIDIA Tesla Deep Learning
- Przygotowanie środowiska dla programisty (Rodeo)
- Podstawy języka Python
- Wyrażenia regularne w języku Python
- Przegląd bibliotek naukowych: NumPy, SciPy, Matplotlib
- Wizualizacja danych
- Uczenie maszynowe i Sickit Learn
- Koncepcja baz NoSQL
- Reprezentacje danych w bazie Cassandra
- Interfejsy do baz Cassandra i HBase
- Środowisko Apache Hadoop na potrzeby baz NoSQL
- Reprezentacje danych w bazie HBase
- Baza HBase i Hadoop
- Ekosystem Microsoft Azure
- Silnik Microsoft Azure Machine Learning
- Narzędzie Azure Machine Learning Studio
- Rozwiązanie przykładowego problemu
- Apache Cassandra
- Apache HBase
- Apache Spark
- Apache Mahaut
- Apache MLlib
- Apache Hadoop
- Rozwiązania Open Source (Apache)
- Rozwiązania komercyjne (SAS, Google, Microsoft)
- Silnik Microsoft Azure i Machine Learning Tool
- Silnik Cloud Analytics Services (CAS)
- Silnik Google Cloud Machine Learning Engine
- Przygotowanie środowiska programisty (RStudio)
- Podstawy języka skryptowego R
- Wizualizacja danych w R
- Obliczenia stacjonarne z wykorzystaniem R
- Obliczenia w chmurze
- Przegląd pakietów R
- Związek Big Data z uczeniem maszynowym
- Apache Spark i biblioteka MLlib
- Apache Mahaut w zadaniach klasyfikacyjnych
- Podstawowe algorytmy uczenia maszynowego
- Wybór problemu
- Samodzielna implementacja oraz rozwiązanie problemu
Poznaj zespół Centrum Kształcenia Podyplomowego
Nikt nie opowie o studiach podyplomowych oferowanych przez Centrum Kształcenia Podyplomowego lepiej niż ich twórcy. Zapraszamy do wysłuchania paru słów dyrektora Centrum Kształcenia Podyplomowego, Pani Marty Godzisz, która opowie, dlaczego nasze studia podyplomowe są wyjątkowe.