Nabφdka Ükolenφ

SpoleΦnost AM Data p°ipravuje °adu Ükolenφ, v kter²ch se ·Φastnφci seznßmφ s postupy a metodami prßce s daty a informacemi. èkolenφ pokr²vajφ celou problematiku zpracovßnφ dat z relaΦnφch databßzφ od zßklad∙ dotazovacφho jazyka SQL a₧ po pokroΦilΘ techniky data miningu.
VeÜkerΘ kurzy jsou navr₧eny tak, aby kladly d∙raz na obchodnφ vyu₧itφ zφskan²ch znalostφ. Dle p°ßnφ a pot°eb zßkaznφk∙ je mo₧nΘ p°ipravit kurzy s individußlnφ nßplnφ.

Pro bli₧Üφ informace o termφnech a obsahu kurzu, jako i o mo₧nostech individußlnφch kurzu se nevßhejte obrßtit na naÜe Ükolφcφ odd∞lenφ.

VybranΘ kurzy:

DatovΘ sklady (DW, DWH) a CRM systΘmy

• ┌vod - systΘmy business intelligence (BI) a jejich souΦßsti, porovnßnφ OLTP, DW, MIS, DSS, EIS a systΘm∙ OLAP
• RelaΦnφ datov² model - transakΦnφ relaΦnφ databßze, normalizace databßzφ (normßlnφ formy)
• Multidimenzionßlnφ datov² model
• Metodika tvorby DW
• ETL (ETT) - p°φprava dat pro pln∞nφ datovΘho skladu, problematika transformace a historie v dimenzφch
• OLAP anal²za pro podporu rozhodovßnφ, topologie ulo₧enφ dat (schΘmata), technologie uklßdßnφ (MOLAP, ROLAP a HOLAP) a p°φstup ke "krychlφm" OLAP
• Vyu₧itφ dat z DW:
  • Dob²vßnφ znalostφ z databßzφ (DZD, data mining) - metody DZD, p°φprava dat, praktickΘ vyu₧itφ v²sledk∙ DZD
  • AnalytickΘ CRM - obchodnφ aplikace a vyu₧itφ dat
• Produkty vyu₧φvanΘ pro realizaci projekt∙ DW, OLAP a DZD (data mining)

Dob²vßnφ znalostφ z databßzφ (DZD, Data Mining)

• ┌vod - DZD jako souΦßst business intelligence, historie a budoucnost DZD, pou₧φvanΘ technologie (databßzovΘ technologie, statistika, metody strojovΘho uΦenφ - um∞lΘ inteligence)
• Proces DZD (data mining) - metodologie RAMSYS a CRISP-DM
• P°φprava dat pro DZD - chyb∞jφcφ hodnoty, jednoduchΘ anal²zy dat, normalizace,à
• Modelovßnφ - rozhodovacφ stromy, segmentace, neuronovΘ sφt∞, bayesovskΘ sφt∞, asociaΦnφ pravidla, lineßrnφ a logistickß regrese, genetickΘ algoritmy,...
• Testovßnφ a vyhodnocovßnφ model∙ - overfitting, k°φ₧ovß validace, metoda leave-one-out, metoda bootstrap, anal²za matice zßm∞n (confusion matrix), vyhodnocovßnφ pomocφ ROC k°ivky
• Kombinovßnφ model∙ - metoda bagging, metoda boosting, metoda stacking
• Vyu₧itφ a interpretace v²sledk∙ - stßrnutφ model∙, vztah k systΘm∙m CRM,...
• Nßstroje pro DZD - kritΘria v²b∞ru, situace na ΦeskΘm trhu, trendy

DatovΘ modelovßnφ

• ┌vod - zßkladnφ principy relaΦnφch databßzov²ch systΘm∙, relaΦnφ algebra
• Zßsady nßvrhu datovΘ zßkladny
• Zßkladnφ pojmy - entity, vztah, atribut, identifikßtor,à
• Princip t°φ architektur
• DatovΘ modelovßnφ na konceptußlnφ ·rovni
• Technologickß a fyzickß ·rove≥
• Postupy p°evodu konceptußlnφ ·rovn∞ do relaΦnφho prost°edφ
• AplikaΦnφ frameworky - modelovßnφ zßkladnφch oblastφ firmy
• DatovΘ modely datov²ch sklad∙ - Star a Snowflake schΘma
• DatovΘ modelovßnφ pro data mining

Jazyk SQL

• ┌vod - zßkladnφ principy relaΦnφch databßzov²ch systΘm∙, relaΦnφ algebra
• Zßsady nßvrhu datovΘ zßkladny
• Zßkladnφ pojmy - entity, vztah, atribut, identifikßtor,à
• Princip t°φ architektur
• DatovΘ modelovßnφ
• Zßklady jazyka SQL
• AnalytickΘ mo₧nosti jazyka SQL
• Procedurßlnφ rozÜφ°enφ jazyka SQL

Produkty firmy Quadbase

èkolenφ zam∞°enΘ na konkrΘtnφ produkty firmy Quadbase a jejich obchodnφ nasazenφ a vyu₧itφ.