MBA-In-data-science

دوره MBA یکساله تحلیل پیشرفته کسب‌و‌کار و علم داده

دوره یکساله MBA تحلیل پیشرفته کسب‌و‌کار و علم داده

هدف اصلی این دوره ارائه مجموعه‌ای از مهارت‌های مناسب برای استفاده از ابزارهایی جهت تحلیل پیشرفته و درک حجم انبوهی از داده‌هایی (کلان داده‌) است که در اختیار بیشتر کسب‌و‌کارها یا سازمان‌ها می‌باشد. این دوره با هدف توسعه یک درک قوی از مفاهیم مقدماتی موجود در تجزیه و تحلیل داده‌ها، مدیریت داده و برنامه نویسی با زبان‌های مورد استفاده در علم داده برای رسیدن به سطح پیشرفته‌ای از قابلیت تحلیل در کسب‌و‌کار طراحی شده است. دانش آموختگان این دوره به درک عمیقی از مفاهیم پیشرفته این حوزه رسیده و قادر خواهند بود ابزارهای کاربردی علم داده را جهت پیش بینی و بهبود تصمیمات کسب و کار به کار گیرند.
دوره MBA علم داده

دوره در یک نگاه

مدت 300 ساعت
← 13 درس (250 ساعت) بعلاوه 50 ساعت کارگاه، سمینار، دعوت از افراد خبره برای سخنرانی و ...
پیش نیاز ✓ دارا بودن مدرک کارشناسی در رشته‌های مهندسی، علوم پایه، مدیریت و اقتصاد؛
✓ دارا بودن سابقه کار عملی مرتبط برای پذیرش در دوره امتیاز مثبت دارد اما اجباری نیست.
نحوه ارزیابی دورهنمره 14 برای دوره ضروری است. نحوه ارزیابی همه دروس کار عملی و مطالعه موردی است.
گواهینامه گواهینامه مورد تایید دانشگاه تهران و مطابق مقررات معاونت آموزشی (نمونه گواهینامه)
شهریه دوره 300,000,000 ریال
نحوه پرداخت شهریه برای کسب اطلاعات در مورد شرایط تقسیط شهریه و استفاده از تخفیفات پرداخت نقدی با ما تماس بگیرید.
مدیر علمی دوره دوره MBA یکساله تحلیل پیشرفته کسب‌و‌کار و علم داده پیام محمودیان
❱ کارشناسی ارشد Information Quality از دانشگاه ایالتی آرکانزاس آمریکا (UALR)

سرفصل‎های دوره

Information Visualization and BI Dashboards
✓ Introduction to Information Visualization
✓ Data Abstraction
✓ Fundamental Graphs and Data Transformation
✓ Graphical Components and Mapping Strategies
✓ Dashboard and Storytelling with Data
✓ Tell the Story of Your Data
(برنامه‌نویسی در پایتون) Python Programming
✓ مقدمه‌ای بر زبان برنامه‌نویسی پایتون و محیط‌های برنامه‌نویسی آن
✓ آشنایی با کتابخانه‌های مهم در پایتون
✓ استفاده از انواع متغیرها، عملگرها، ساختارهای داده و مروری بر کاربرد آنها
✓ پیاده سازی دنباله‌ها، لیست‌ها، تاپل‌ها، دیکشنری‌ها و مجموعه‌ها به همراه متدهای مرتبط
✓ انواع شرط‌ها، حلقه‌ها، دستورات کنترلی، توابع و کاربرد آنها
✓ آشنایی با برنامه‌نویسی شی‌گرا، کلاس‌ها و وراثت در پایتون
✓ کار با انواع فایل‌ها، مصورسازی داده‌ها و ترسیم و تحلیل نمودارها
✓ آشنایی با کتابخانه‌های مرتبط با ایجاد ساختارهای پیشرفته داده در علم داده و یادگیری ماشینی
(علم داده و یادگیری ماشینی در پایتون) Data Science and Machine Learning in Python
✓ آشنایی با مفاهیم علم داده، تحلیل‌های پیشرفته، یادگیری ماشینی و روند تکامل آنها
✓ مروری بر ارتباط بین علم داده و رایانش ابری، داده‌های عظیم، اینترنت اشیاء و بلاکچین و آینده آنها
✓ بررسی آرایه‌ها، ماتریس‌ها، سری‌ها، چارچوب‌ها و پیش پردازش داده در پایتون
✓ مروری بر تحلیل فرضیه‌ها، آزمون‌های آماری، تحلیل واریانس، کواریانس و همبستگی متغیرها
✓ پیاده‌سازی انواع روش‌های یادگیری ماشینی نظارت شده و اعتبارسنجی آنها
✓ پیاده‌سازی انواع روش‌های یادگیری ماشینی بدون نظارت و اعتبارسنجی آنها
✓ مروری بر روش‌های فراابتکاری و الگوریتم‌های تکاملی و کاربرد آنها
✓ بررسی کاربردهای متن کاوی، تحلیل احساسات و یادگیری عمیق در تحلیل پیشرفته کسب‌و‌کار
R Programming
✓ Overview of the R language, Basic Concepts (Vectors, Matrices, and Data Frames)
✓ Reading and Writing Data in R
✓ If , Loops and Functions
✓ Efficient Computation in R
✓ Data Visualization: Basics and Advanced Methods (ggplot2)
✓ Exploring, Cleaning, and Preparing Data
Data Science for Business with R
✓ Data Visualization – Case Study: Uber Trip Data Visualization
✓ Statistical Tests – Case Study: Analyzing a Subscription-Based Service Data
✓ Multiple Linear Regression – Case Study: Toyota Used-Car Prices
✓ Logistic Regression – Case Study: German Credit Data
✓ Classification Using a Nearest Neighbor Analysis – Case Study: German Credit Data
✓ Cluster Analysis – Case Study: Market Segmentation
✓ Market Basket Analysis – Case Study: A Retail Transactional Data Analysis
✓ Churn Analysis – Case Study: Telecom Industry
Introduction to Big Data and Distributed Data Processing
✓ Big Data: Why and Where
✓ Characteristics of Big Data and Dimensions of Scalability
✓ Big Data Standards
✓ Data Lake Architecture
✓ Lambda and Kappa Architectures
✓ Best practices for Data Lake Implementation
✓ Big Data Ingestion Tools and Solutions
✓ Big Data Storage Tools and Solutions
✓ Big Data Processing Tools and Solutions
✓ Big Data Governance
✓ Case Studies: Access Log Analysis, Vector Space Model on Text Data
Big Data Analytics and Stream Processing
✓ Implement Stream Processing using Apache Spark Streaming
✓ Consume Events from Source (Kafka, …), Apply Logics and Send it to a Data Sink
✓ Understand Message Deliveries in Stream Data Processing
✓ Create a job to Analyze Data in Real-Time using the Apache Spark Streaming API
✓ Single Event Processing and the micro-batch Approach to Processing Events
✓ Real-Time Event Processing
✓ Real-Time Dashboard
✓ Case Study: Indexing News Data in Streaming Manner
Advanced Topics in Business Analytics
✓ Data Warehouse in the Age of AI Maturity
✓ Real-Time Data Warehousing
✓ Real-Time Data Analytics
✓ The Path from Reports to AI
✓ The Path to Predictive Analytics and Machine Learning
✓ Business Science Problem Framework
Data Warehouse Concepts, Design, and Integration
✓ Introduction to Data, Information and Knowledge
✓ What is a Data Model (Dimensional vs 3NF)
✓ What is Data Warehouse
✓ Business Side of Data Warehousing
✓ Why build a data warehousing?
✓ The value of a data warehousing
✓ Key Concepts (Measurement, Facts and Dimensions, …)
✓ Data Warehouse Architectures (Inmon, Kimball and Stand-alone Data Marts)
✓ Kimball’s Dimensional Modeling (Dimension Design, Fact Table Design)
✓ DW Performance
✓ ETL Processes and Tools
(اصول مدیریت داده) Data Management Fundamentals
✓ مدیریت داده به عنوان یک دارایی سازمانی
✓ مدیریت داده: ضرورت همسویی با اهداف کسب‌و‌کار
✓ مدیریت داده: اصول، چالش‌ها، موانع و فرصت‌ها
✓ مدیریت داده: چارچوب‌ها، به روش‌ها و استانداردها
✓ مدیریت داده: چارچوب DMBOK
(چارچوب DMBOK2) The Data Management Body of Knowledge
✓ مروری بر DMBOK2
✓ حاکمیت داده
✓ متادیتا
✓ کیفیت داده
✓ معماری و مدل‌سازی داده
✓ داده‌های مرجع و Master
Statistics for Business Analytics
✓ Key Concepts of statistics
✓ Data Preparation
✓ Data Quality and Consistency Assessment
✓ Regression vs Cause/Effect
✓ Probability vs Statistics
✓ Statistical Significance
✓ KPI Definition
DW/BI Project Management
✓ Project Management Concepts
✓ DW/BI Project Management Methodologies
✓ Agile DW/BI Project Management
✓ BI Projects and BI Program in Organization
✓ Which BI tool is the Right Choice?
✓ BI Road Map
✓ Real Cases of Applied Projects
✓ Why Do Business Intelligence Projects Fail?
(تصميم‌گيری داده-محور برای مدیران) Data-Driven Decision Making for Managers
✓ سیستم‌های تفکر دوگانه و تله‌های متداول تصمیم‌گیری
✓ خطاهای شناختی متداول در برآوردهای کمی
✓ انواع تصمیم‌گیری و اقتضائات آن در شرایط متفاوت محیطی و کسب و کار
✓ ابزارهای تحلیلی (Analytics) و نقش آن در تبدیل اطلاعات خام به بینش لازم برای تصمیم‌گیری
✓ گام‌ها و فرآیند حل مسئله
✓ تکنیک‌های ساده و موثر برای جمع‌آوری و استفاده از اطلاعات در جهت حل مسئله
✓ روش‌های کمی پیشرفته‌تر برای تصمیم‌گیری و حل مسئله
(مفاهیم، ابزارها و کاربردهای داده کاوی) Data Mining Concepts, Tools, and Applications
✓ مقدمه‌ای بر مفاهیم داده کاوی و کاربردهای آن
✓ آشنایی با متن کاوی، وب کاوی، فرآیندکاوی، تحلیل احساسات و یادگیری عمیق
✓ آشنایی با برنامه‌نویسی در نرم افزار MATLAB و داده کاوی سریع در نرم‌افزار Rapidminer
✓ آشنایی با منطق فازی و طراحی، پیاده‌سازی و تحلیل سیستم استنتاج فازی
✓ پیاده‌سازی الگوریتم‌های رگرسیون (داده‌های پیوسته) و طبقه‌بندی (داده‌های گسسته)
✓ پیاده‌سازی الگوریتم‌های خوشه بندی داده‌ها
✓ آشنایی با شبکه‌های عصبی و پیاده‌سازی شبکه عصبی چندلایه
✓ آشنایی با سیستم‌های استنتاج فازی عصبی انطباقی و پیاده سازی آن

اساتید دوره تحلیل پیشرفته کسب‌و‌کار و علم داده

Write a Comment

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *