მონაცემთა ანალიტიკა

მონაცემთა ანალიტიკა

მონაცემთა ანალიტიკა

კურსის მიზანი

კურსის მიზანია მონაცემთა ანალიზით დაინტერესებულ ადამიანებს დაეხმაროს ამ სფეროში მათთვის ყველაზე ახლოს მდგომი როლის განსაზღვრაში, ამ როლისთვის საჭირო უნარების დაიდენტიფიცირებასა და საწყის დონეზე შესწავლაში.

კურსის შედეგი

კურსის გავლის შემდეგ დამსწრეები შეძლებენ

  1. დააიდენტიფიცირონ ის უნარები, რომლებიც საჭიროა იმისთვის რომ შეძლონ მონაცემთა ანალიზის მიმართულებით მათთვის სასურველ როლში მუშაობა;
  2. განსაზღვრონ თუ რა არის საჭირო იმისთვის, რომ კომპანია/დამსაქმებელი გახდეს მონაცემებით მართული, გაეცნობიან მონაცემებით მართული კომპანიების მაგალითებს და შეძლებენ თავიანთ საქმიანობას და რეალურ პრობლემებს მოარგონ ანალიტიკური გადაწყვეტები;
  3. გაიგებენ თუ როგორ ხდება მონაცემების შეგროვება, შენახვა, როგორია მათი სტრუქტურა და შეძლებენ მარტივი მონაცემთა მანიპულაციების გაკეთებას SQL-ის გამოყენებით;
  4. შეისწავლიან თუ როგორ უნდა მოამზადონ მონაცემები ანალიტიკისთის და შემდეგომ რა ტიპის ანალიტიკა შეიძლება გაკეთდეს ამ მონაცემებით;
  5. გაეცნობიან ისეთ თემებს, როგორებიც არის ხელოვნური ინტელექტი, მონაცემთა მეცნიერება, მანქანური სწავლება;
  6. გაიგებენ მონაცემთა ვიზუალიზაციის მნიშვნელოვნების შესახებ და აითვისებენ მის საწყისებს Power BI-ს საშუალებით ;
  7. მიიღებენ საკმარის უნარებს და ცოდნას იმისთვის, რომ თავიანთ საქმიანობაში მიიღონ მონაცემთა ანალიტიკაზე დაყრდნობილი დროული და სწორი გადაწყვეტილებები.

კურსის წინაპირობა

კურსის გასავლელად არ არის აუცილებელი წინასწარი გამოცდილება და თეორიული ცოდნა, საკმარისია მონაცემთა ანალიზით ინტერესი და მისი გამოყენების სურვილი თქვენს ყოველდღიურ საქმიანობაში.

კურსის ხანგრძლივობა

9 შეხვედრა, 28 საათი

საკონტაქტო ტრენინგ კურსის აღწერილობა

( 9 შეხვედრა, ჯამური საკონტაქტო 28 საათი )

  1. მონაცემთა ანალიზის შესავალი და მისი როლი ბიზნესში:

კურსის შინაარსის გაცნობა

მონაცემთა ანალიზი ჩვენს ყოველდღიურობაში

  • სხვადასხვა მაგალითები ჩვენი ყოველდღიურობიდან სადაც გვხვდება მონაცემთა ანალიზი
  • მონაცემებით მართული კომპანიების მაგალითები სხვადასხვა ინდუსტრიიდან

რა არის მონაცემთა ანალიტიკა და რატომ არის ის აქტუალური დღეს?

  • კონკრეტულად რას გულისხმობს მონაცემთა ანალიზი
  • რატომ არის ის აქტუალური დღეს და რატომ გაიზარდა მასზე ასე მკვეთრად მოთხოვნა

რა როლები არსებობს მონაცემთა ანალიზის სფეროში და რა უნარებია საჭირო თითოეული მათგანისთვის?

  • მონაცემთა ინჟინერი
  • მონაცემთა ანალიტიკოსი
  • მონაცემთა მეცნიერი
  • ანალიტიკის მენეჯერი / Data Science ლიდერი

მასალა:

Cassie Kozyrkov-ის ( Chief Decision Scientist – Google ) სტატიები Medium-სა და სხვა პლატფორმებზე

Cassie Kozyrkov – Medium

Top 10 roles in AI and data science | HackerNoon

2. მონაცემთა ფორმატები, ტიპები და მონაცემთა ეკოსისტემა

მონაცემთა ფორმატები და ტიპები

  • სტრუქტურირებული, ნახევრად სტრუქტურირებული და არასტრუქტურირებული მონაცემები
  • რიცხვითი და არა რიცხვითი მონაცემთა ტიპები
  • განიერი (Wide) და გრძელი (Long) ფორმატის მონაცემები და მათი გამოყენება

მონაცემების შეგროვება და ორგანიზება

  • მონაცემთა წყაროები და საცავები- ორგანიზაციებში

კომპანიებში მონაცემები სხვადასხვა სახით და არხით გროვდება (სააღრიცხვო სისტემები, ვებ გვერდი, ელ.კომერციის პლატფორმა და ა.შ.) თუმცა იმისთვის რომ ეს მონაცემები გახდეს ანალიტიკისთვის გამოსადეგი საჭიროა მათი ერთ ადგილას (Data Warehouse) თავმოყრა და ერთმანეთთან დაკავშირება

  • რელაციური და არარელაციური მონაცემთა ბაზები და მათთან სამუშაო ენები -  SQL, NoSQL

რა არის რელაციური მონაცემთა ბაზა და რატომ არის ის ყველაზე ხშირად გამოყენებადი მონაცემთა ანალიზში?

3.მონაცემთა მომზადება ანალიზისთვის და მონაცემთა ანალიზის ტიპები

ნედლი მონაცემების მომზადება ანალიზისთვის (Data Wrangling)

  • გამოკვლევა (Discovery)
  • სტრუქტურიზება
  • გასუფთავება (Data Cleaning)
  • გამდიდრება

მონაცემთა ანალიზის ტიპები:

  • აღწერითი ანალიზი (Descriptive Analytics)
  • პროგნოზირება (Predictive Analytics)
  • Prescriptive Analytics

ხელსაწყოები (პროგრამირების ენები) მონაცემთა ანალიზისთვის

  • განსხვავება Python-ს და R-ს შორის
  • R-ის ზოგადი მიმოხილვა

მასალა:(158) R-Ladies Tbilisi (ქართულად): ნუცა აბაზაძე - სტატისტიკური ანალიზი (Nutsa Abazadze - statistics) - YouTube

4. მონაცემთა მეცნიერება:

ძირითადი ტერმინები და მათ შორის განსხვავებები:

  • მონაცემთა მეცნიერება (Data Science)
  • ხელოვნური ინტელექტი (Artificial Intelligence)
  • მანქანური სწავლება (Machine Learning)

მანქანური დასწავლის (ML) ალგორითმები:

  • დაკვირვებითი და დაკვირვების გარეშე მოდელები
  • რეგრესიული და კლასიფიკაციის ალგორითმები
  • კლასტერირება
  • ანომალიების დეტექცია

კომპიუტერული ხედვა(Computer Vision) და ბუნებრივი ენის დამუშავება(NLP):

  • ჩვენს ყოველდღიურობასთან და თქვენს ბიზნესთან დაკავშირებული მაგალითები

მასალა:

Machine Learning Specialization by Andrew Ng, Coursera

AI For Everyone by Andrew Ng, Coursera

Making Friends with Machine Learning by Cassie Kozyrkov

An Introduction to Statistical Learning: With Applications in R, Trevor Hastie, Robert Tibshirani

Machine Learning Specialization by Andrew Ng, Coursera

Microsoft Certified: Azure AI Fundamentals - Learn | Microsoft Docs

5. მონაცემთა ვიზუალიზაცია:

მონაცემთა ვიზუალიზაციის ძირითადი პრინციპები

  • მსმენელისთვის ამბის საინტერესოდ გადმოცემა
  • სწორი გრაფიკების შერჩევა
  • ვიზუალიზაციის სხვა დეტალები

მასალა:

Storytelling with Data: A Data Visualization Guide for Business Professionals 1st Edition,

by Cole Nussbaumer Knaflic;

Resonate: Present Visual Stories that Transform Audiences– September 28, 2010

by Nancy Duarte;

6. მონაცემთა ანალიტიკის მიმდინარე და მომავლის ტრენდები:

ავტომატური მანქანური დასწავლის პლატფორმები და მათი გამოყენება

გრაფთა ანალიზი

ახსნადი ხელოვნურ ინტელექტი -XAI Explainable AI

მასალა:

Microsoft Certified: Azure AI Fundamentals - Learn | Microsoft Docs

(158) TIDA სესიები | ნუცა აბაზაძე - გრაფთა ანალიზი - YouTube

XAI: Explainable AI | Udemy

7. ანალიტიკური პროექტების მართვა და მათი სპეციფიკა

ანალიტიკური პროექტის მართვის სპეციფიკა:

  • გუნდის დაკომპლექტება
  • პროექტის მართვის შესაბამისი Framework-ები
  • პროექტის მიზნის განსაზღვრა და წარმატების გაზომვა

მასალა:

Playbook for Project Management in Data Science and Artificial Intelligence Projects.

Home - Data Science Process Alliance (datascience-pm.com).

Managing Machine Learning Projects by Duke University, Coursera. The Product Management for AI & Data Science Course 2022 by Danielle Thé, Udemy.

8. რეალური პროექტების/ქეისების გარჩევა და კურსის შეჯამება საბოლოო შეხვედრაზე გაირჩევა მონაწილეების მიერ მომზადებული ანალიტიკური პროექტები. ბოლო სესიაზე ასევე მოხდება გავლილი თემების შეჯამება.

Course Intro Video

ლექციები

  1. ლექცია 1 (მონაცემთა ანალიტიკა)

  2. ლექცია 2 (მონაცემთა ანალიტიკა)

  3. ლექცია 3 (მონაცემთა ანალიტიკა)

  4. ლექცია 4 (მონაცემთა ანალიტიკა)

  5. ლექცია 5 (მონაცემთა ანალიტიკა)

  6. ლექცია 6 (მონაცემთა ანალიტიკა)

  7. ლექცია 7 (მონაცემთა ანალიტიკა)

ტრენერი