Wstęp do analizy danych w programie MS Excel - archiwalny

Zapisy na kurs:

Wstęp do analizy danych w programie MS Excel

Opis kursu:

Kurs ten jest dedykowany zarówno osobom, które chcą zacząć pracować w Excelu, jak i tym, którzy znają podstawy Excela i chcą usystematyzować swoją wiedzę oraz nauczyć się wydajnej pracy w arkuszu kalkulacyjnym. Nie ma żadnych wymagań wstępnych dotyczących umiejętności informatycznych ani ekonomicznych. Kurs ten rozpoczyna się od krótkiego wprowadzenia do programu MS Excel, jednak kończy się na poziomie zaawansowanym. Już na pierwszych zajęciach poruszane są m.in. takie zagadnienia, jak: korzystanie z funkcji logicznych, odwołania względne i bezwzględne, czy praca na dużych zbiorach danych (kilka tysięcy wierszy). Kurs jest bardzo intensywny. Liczne animacje, prezentacje multimedialne oraz przykłady zastosowania nabytych umiejętności pozwolą kursantom wykorzystywać Excela już po kilku godzinach zajęć.

Szczegółowa tematyka kursu:

  • wprowadzanie i edycja danych: narzędzie Znajdź/Zamień, tworzenie ciągów, sortowanie danych, skróty klawiaturowe
  • formuły i funkcje: zasady tworzenia formuł, odwołania względne vs odwołania bezwzględne, funkcje: logiczne, daty i godziny, statystyczne
  • wykresy: liniowe, kolumnowe, kołowe, kombi, definiowanie serii danych na wykresach, modyfikowanie zaawansowanych elementów wykresów, wykresy interaktywne
  • projektowanie arkuszy: projektowanie i formatowanie tabel, projektowanie arkuszy przyjaznych dla użytkownika z wykorzystaniem elementów graficznych (m.in. kształtów, WordArtów, Pól tekstowych), tworzenie schematów organizacyjnych przy użyciu grafiki SmartArt
  • import danych: z plików Excela, z plików tekstowych, ze stron WWW, z baz danych
  • eksport danych: drukowanie dokumentu (m.in. ustawienie obszaru wydruku, tworzenie nagłówków i stopek), zapis w formacie - PDF, pliku graficznego, strony WWW, różne metody przenoszenia wykresów i tabel do Worda
  • przygotowanie danych do analizy: narzędzie Znajdź/Zamień, narzędzie Tekst jako kolumny, narzędzie Usuń duplikaty, funkcje wyszukiwania: WYSZUKAJ.PIONOWO(), WYSZUKAJ.POZIOMO(), WYSZUKAJ(), tworzenie funkcji zagnieżdżonych i megaformuł
  • analiza danych za pomocą funkcji: statystycznych, logicznych, warunkowego zliczania i warunkowych obliczeń (m.in. LICZ.WARUNKI(), SUMA.WARUNKÓW(), ŚREDNIA.WARUNKÓW())
  • tabele przestawne: konstrukcja tabel przestawnych, statystyki i opcje obliczeń, grupowanie i filtrowanie zmiennych

Analityka biznesowa w Power BI i Tableau - archiwalny

Zapisy na kurs:

Analityka biznesowa w Power BI i Tableau

Opis kursu:

Podejmowanie kluczowych decyzji biznesowych oparte jest na szczegółowych analizach danych. Niezwykle przydatna jest więc umiejętność wykorzystania programów umożliwiających sprawne przetwarzanie danych. Istotnymi cechami programów służących do pracy z danymi jest możliwość wykorzystania różnego rodzaju źródeł danych (o dużych wolumenach) oraz szybkiego przetwarzania i odświeżania danych. Kluczowa jest także finalna prezentacja raportów w formie wizualizacji. Coraz popularniejsze stają się programy w obszarze Business Intelligence takie jak Power BI i Tableau, które łączą wymienione wyżej cechy pozwalając przekształcić dane w informacje potrzebne do podejmowania kluczowych decyzji biznesowych.

Kurs Analityka biznesowa w Power BI i Tableau jest dedykowany analitykom danych oraz osobom zajmującym się przygotowywaniem analiz i wizualizacją danych. Kurs jest dla każdego, kto chce zrozumieć dane. Tematyka kursu obejmuje zapoznanie Uczestników z dwoma programami: Power BI i Tableau. Podczas kursu nauczysz się jak łatwo zaimportować różne źródła danych oraz wykonać niezbędne przekształcenia i połączenia danych. Dowiesz się jak w łatwy i intuicyjny sposób tworzyć interaktywne dashboardy, które mogą być odświeżane w czasie rzeczywistym. Kurs Analityka biznesowa w Power BI i Tableau dostarczy Ci nowych umiejętności pracy z danymi i podniesie Twoją konkurencyjność na rynku pracy.

Szczegółowa tematyka kursu:

Część I. Power BI Desktop

  • Import i przekształcanie danych
    Import różnego rodzaju plików z danymi (skoroszyty MS Excel, pliki testowe, pliki csv, bazy MS Access), wczytywanie danych z folderów. Przekształcenia i transformacje danych (m.in. łączenie – JOIN, czy mieszanie – blending) z uwzględnieniem różnego rodzaju zmiennych (m.in. operacje na liczbach, tekstach i datach), filtrowanie i sortowanie, zamiana wartości, grupowanie, transponowanie, zmiana układu danych, scalanie i dołączanie danych.

  • Tworzenie modelu danych
    Tworzenie modelu danych z wykorzystaniem relacji. Podstawy języka DAX – tworzenie kolumn obliczeniowych i miar. Wykorzystanie KPI (kluczowych wskaźników wydajności).

  • Wizualizacje danych
    Tworzenie interaktywnych raportów z uwzględnieniem różnych typów wykresów (w tym wizualizacji danych geograficznych). Fragmentatory i filtry. Filtrowanie raportów na różnych poziomach (wizualizacji, strony i całego raportu).

Część II. Tableau

  • Podstawy pracy w Tableau
    Interfejs użytkownika, podstawowa terminologia (źródła danych, obszary, sety, pigułki), wersje Tableau, tworzenie połączeń, import danych, formowanie danych, podstawowe wykresy, filtrowanie danych.

  • Wykresy + zastosowanie biznesowe

    Tabele, wykresy kombi, wykresy punktowe, wykresy powierzchniowe, histogramy, mapy, inne (np. diagram Gantta), dashboardy. Kontekst biznesowy, wybór odpowiedniego narzędzia.

  • Parametry, praca z datami, kolorami, wydajność, publikacja

    Pola obliczeniowe, parametry, analiza warunkowa, ostrzeżenia, porady, teoria kolorów, Storytelling (opowiadanie historii przy pomocy danych), publikacja.

Warsztaty Machine Learning w R cz. 2 - archiwalny

Zapisy na kurs:

Warsztaty Machine Learning cz. 2

Opis kursu:

Po zrozumieniu mniej złożonych algorytmów, adept Machine Learning powinien zacząć rozwijać swoje umiejętności w trzech kierunkach. Po pierwsze należy zgłębić tajniki kroswalidacji, tuningu parametrów oraz metod doboru zmiennych (feature engineering). Poprawi to jakość estymowanych modeli i skróci czas pracy nad nimi. Po drugie, można poznać bardziej zaawansowane algorytmy – sieci neuronowe, maszynę wektorów nośnych oraz analizę dyskryminacji – które w przeciwieństwie do modeli podstawowych są bardziej złożone i wymagają większej świadomości przy ich stosowaniu – użytkownik oprócz hiperparametrów często sam proponuje strukturę sieci neuronowej czy funkcję transformacji zmiennych w SVM. Po trzecie, w dalszym rozwoju swoich kompetencji należy skierować swoją uwagę na sposoby modelowania nietypowych zbiorów danych – dane nieustrukturyzowane, tekstowe (z wykorzystaniem dedykowanych technik text mining) oraz dane niezbalansowane (o nierównomiernym rozkładzie zmiennej objaśnianej).

Szczegółowa tematyka kursu:

  • Sieci neuronowe: typy sieci, typowe struktury i ich konstrukcja  (MLP, CNN), dostępne biblioteki (Keras w oparciu o TensorFlow), teoretyczne omówienie innych najważniejszych bibliotek sieci neuronowych, wykorzystanie sieci neuronowych w problemach klasyfikacji i regresji, w tym niestandardowe funkcje celu. Charakterystyki i wykorzystanie najważniejszych algorytmów optymalizacyjnych (SGD, Adagrad, Adam). Wykorzystanie batch normalization jako zapobieganie martwym neuronom. Warstwa dropout jako walka z przetrenowaniem.
  • Text mining: tokenizacja/stemming/normalizacja, metody tagowania i klasyfikacji słów, N-gramy, klasyfikacja dokumentów, algorytm word2vec oraz paragraph2vec, N-gramy, modele bag-of-words, klasyfikacja dokumentów, word/paragraph embedings, klasyfikacja dokumentów, analiza sentymentu, Latent Dirchlet Allocation oraz Latent Semantic Indexing.
  • Unsupervised learning dla zaawansowanych: Fuzzy clustering, Model Based Clustering, DBSCAN, Samoorganizujące się mapy (SOM), t-distributed stochastic neighbor embedding (t-SNE).
  • Supervised learning dla zaawansowanych: Maszyna Wektorów Nośnych (SVM), analiza dyskryminacji (LDA, QDA), zaawansowany ensembling modeli (boosting, stacking)
  • Wybrane zagadnienia specjalistyczne:  modelowanie zjawisk rzadkich (próby niezbalansowane,  wyszukiwanie i dobór zmiennych do modelu, metody optymalizacji wyników (np. optymalny dobór hiperparametrów modelu), optymalizacja procesu walidacji krzyżowej.