Master i Big Data

Master i Big Data, utviklet sammen med det teknologiske multinasjonale Indra, gir en oversikt over Big Data-teknologier og deres bruk, samt anvendt og praktisk opplæring i analytiske teknikker for virksomheten (Business Analytics), det vil si i applikasjonen fra Data Science-teknikker til forretningsproblemer.

Dermed svarer programmet på behovet for å vite på en praktisk og anvendt måte bruken av teknologier og dataanalysemetoder. Forståelsen av teknisk bruk utfyller forretningsvisjonen, slik at kandidater fra programmet vil kunne resonnere i dybden om anvendeligheten av teknologier, samt anvende analytiske teknikker og verktøy i spesifikke situasjoner.

Hvorfor studere ved School of Artificial Intelligence & Big Data?

aktive eksperter

Aktive fagfolk fra Indra og Minsait vil lære deg ferdighetene og kunnskapen de søker for teamene sine

Design din tilpassede trening

Våre programmer er strukturert rundt 2 hovedakser, din profil og yrkeserfaring slik at du kan få tilgang til det profesjonelle markedet fra en teknisk (Hard tech) eller forretningsprofil (Soft Tech).

Læring ved å gjøre

Det fungerer med skyene til hovedaktørene i sektoren, økosystemer og åpen kildekode-plattformer som betjener +500 millioner mennesker

Tilgang til praksis

Preferanse for tilgang til profesjonell praksis med et minimum antall praksisplasser for hvert program

titreringer

Ved å fullføre dette programmet vil du oppnå en trippel grad av Master i Big Data fra IMF Smart Education , profesjonell sertifisering fra Indra og Master of Big Data fra UCAV.

Trippel grad: IMF Smart Education + Indra profesjonell sertifisering + UCAV

Mulighet for å ansette praksisplasser og fortrinnsrett til utvelgelsesprosesser

Programmet er rettet mot fagfolk og nyutdannede med ulike profiler som ønsker å orientere eller reorientere sin yrkeskarriere til et av de fremvoksende yrkene knyttet til dataanalyse. Profiler kan være av tre typer:

1. IKT-profiler: informatikere, eller relaterte ingeniører, eller fagfolk som har utviklet sine karrierer innen programvareutvikling eller innen administrasjon av IT-systemer.
2. Kvantitative profiler: nyutdannede fra kurs med en sterk kvantitativ komponent, som statistikk og matematikk, som ønsker å utvide sine ferdigheter med datainnsamling, lagring og administrasjonsteknikker, samt tilegne seg nye analytiske evner.
3. Bedriftsprofiler: nyutdannede og fagfolk innen ulike forretnings- og økonomiområder som ønsker å spesialisere seg i forretningsanalyse, skaffe seg en solid bakgrunn i bruken av statistiske språk og i å forstå teknologi ikke bare på forretningsnivå, men også når det gjelder ditt tekniske applikasjon

• Forstå verdien av data og dens analyse i organisasjoner og være i stand til å tenke ut og tenke dataanalyseløsninger.
• Kjenne til og vite hvordan de skal oppgi forretningsverdien av de viktigste parallellbehandlings- og skalerbare datalagringsteknologiene, samt vite hvordan de skal forklare bruken av dem til spesifikke formål i organisasjonen.
• Å kunne anvende dataanalyseteknikker og metoder på forretningsproblemer ved bruk av statistiske programmeringsteknikker.
• Bruk maskinlæring og tekstgruveteknikker for å trekke ut verdi fra data og bygge prediktive modeller.
• Vet og vet hvordan du bruker forretningsintelligens og visualiseringsverktøy for å støtte analyser og beslutningstaking.
• Dataanalytiker (Big Data Analyst).
• Dataforsker.
• Business Intelligence fagfolk.
• Chief Data Officer (CDO).
• Big Data Arkitekt.
• Dataingeniør
• Lærer i Business Intelligence-kurs
• Lærer i dataanalysekurs
• Lærer i spørsmål Qlik

Programmet gir grunnleggende opplæring for å orientere deg mot ulike yrker innen området dataanalyse og ledelse; spesifikt: Digital Transformation Consultant

• Dataanalytikere.
• Business Intelligence fagfolk.
• Dataforskere.

Når det gjelder de profilene med tidligere erfaring innen ledelse og teamledelse, vil programmet trene dem til stillinger som Chief Data Officer (CDO). Til slutt, for fagfolk som har dataprofiler, vil det gi grunnlag for profesjonelle muligheter som Big Data-arkitekt eller Data Engineer.

Master designet av en komité av eksperter som består av leger og aktive fagfolk fra ledende selskaper innen kunstig intelligens og Big Data som Indra og Minsait. Deres erfaring garanterer egnetheten til studiene og ferdighetene som er oppnådd, enten for å gå inn i arbeidslivet eller for faglig forbedring i sektoren. Dette teamet av eksperter, i tillegg til å delta i designkomiteen for treningsprogram, samarbeider om veiledning og levering av masterøktene.

Grunnleggende databehandling for datavitenskap

1. Bruke virtuelle maskiner og kommandoskall
2. Grunnleggende om Python-programmering
3. Grunnleggende om relasjonsdatabase
4. Grunnleggende om internettteknologi
5. Del data, kode og ressurser i depoter
6. Grunnleggende om databehandling med Python vitenskapelige stack

Business Intelligence

1. Introduksjon til business intelligence
2. Datavarehus og analytiske databaser
3. Verktøy for fjerning og lasting
4. Business intelligence-applikasjoner
5. Big data-analyse brukt på virksomheten
6. Kundeinformasjon (CRM)

Anvendt maskinlæring

1. Introduksjon til maskinlæring
2. Overvåkede modeller
3. Uovervåkte modeller
4. Funksjonsteknikk og modellvalg
5. Connectionist modeller
6. Foreningsregler og markedskurvanalyse

Tekstgruvedrift og naturlig språkbehandling (NLP)

1. Historisk og teknologisk introduksjon
2. NLP-verktøy I: NLTK
3. NLP II-verktøy: Brat and Gate
4. tekstutvinning
5. Andre NLP-applikasjoner og -teknikker

Business intelligence og visualisering

1. Introduksjon til business intelligence
2. BI vs. tradisjonell rapportering
3. Teknologisk grunnlag for databehandling og analyse
4. Grunnleggende om datavisualisering
5. Avansert datavisualisering
6. Visualiseringsverktøy

Big data infrastruktur

1. Databehandling med Hadoop
2. Hadoop økosystemverktøy
3. Databehandling med Spark
4. Streamingarkitekturer
5. Komponenter av strømmearkitekturer
6. Skyplattformer og APIer

Datalagring og integrasjon

1. Ukonvensjonelle databaser
2. Dokumentbaserte databasemodeller
3. Kolonneorienterte databasemodeller
4. Graforienterte databasemodeller
5. Nøkkelverdi databasemodeller
6. Datainnsamling

Verdi og kontekst av Big Data Analytics

1. Big data business case
2. Big data-prosjekter
3. Analytiske applikasjoner etter sektorer
4. Nye teknologier innen analyse
5. Teamledelse og smidige metoder
6. Regulerende aspekter ved databehandling

Analytiske applikasjoner. Praktiske tilfeller

1. Skalerbar analyse: Analyse med parallelle og skalerbare datateknologier
2. Analyse av sosiale medier
3. tingenes internett (IoT)
4. Finansiell analyse (bedriftsvurdering)
5. Kundeanalyse: plasseringsanalyse
6. Teknikker for gjenoppretting av informasjon

Masteroppgave (TFM)

Kurs i smidige metoder

1. Hva er Scrum og hvordan du bruker det
2. Scrum-rammeverket
3. Selvorganiserte team
4. Rollen til klienter og interessenter
5. Smidig produkt- og prosjektledelse
6. Utvikling og kontinuerlig integrasjon
7. Hvordan utvikle seg mot en smidig organisasjon

Python introduksjonskurs

• Introduksjon til Python
• Betingelser i Python
• Repeterende strukturer i Python
• Samlinger. Lister
• Strengefunksjoner
• Samlinger. Ordbøker
• funksjoner
• Filbehandling
• objektorientering

Introduksjon til R-kurs

• Introduksjon til R
• Vektorer
• matriser
• lister
• Datarammer
• Kontrollstrukturer
• funksjoner

Engelsk kurs

• Grunnleggende, Pre-middels, Middels eller Avansert
• Eleven kan velge ett av de fire nivåene.