This five-day course is aimed at those who are familiar with data analysis and are interested in learning about how Data Science, Analytics, Machine Learning, and Artificial Intelligence (AI) can be used to yield value from data assets.

This course will be of interest if you are interested in developing your own skills to move from analytics to Data Science, or if you are working with Data Scientists and want to learn more about what’s possible.

You will be introduced to key concepts and tools for use in Data Science, including typical Data Science Project lifecycles, potential applications & project pitfalls, relevant aspects of data governance and ethics, roles and responsibilities, Machine Learning and AI model development, exploratory analysis and visualisation, as well as techniques and strategies for model deployment.

Throughout the course you will engage in activities and discussions with one of our Data Science technical specialists. Theoretical modules are complemented with comprehensive practical labs.

Prerequisites

We recommend that delegates are familiar with fundamental data science concepts, such as those found on our Introduction to Data Science for Data Professionals, as well as programming techniques found in Data Handling in R.
You should also have an interest in developing Data Science within your organisation or in becoming a Data Scientist.

Target Audience

Members of the audience are required to have some technical expertise such as table structure, working with tabular data in R, and intermediate data analysis.

They may come from other technical backgrounds such as Data Analysts, Software Developers, and Data Engineers who either work with Data Scientists or are using this course in their journey towards training as a Data Scientist.

They may be Mid/Senior Leadership seeking a greater understanding of how to implement Data Science within their organization.

R ile Veri Bilimi ve Makine Öğrenmesi Eğitimi programına Online Instructor-Led (canlı sanal sınıf) veya Classroom Based (sınıf eğitimi) formatlarında doğrudan katılım sağlayabilirsiniz. Ayrıca bu eğitimi kurumunuza özel olarak Online Instructor-Led, Classroom Based veya Onsite (yerinde eğitim) formatlarında, tercih ettiğiniz tarih ve lokasyonda organize edebiliriz. Detaylı bilgi ve kurumunuza özel planlama için bizimle iletişime geçebilirsiniz.

Bu eğitimi dilediğiniz tarih ve lokasyonda organize edebiliriz.

Neler Öğreneceksiniz

At the end of the course attendees will know:

Core concepts of Data Science & Machine Learning
The Data Science project workflow
Summary statistics and how to use statistical inference to analyse data
Data preparation required for Machine Learning
Methodologies and algorithms used in Machine Learning
How to use R to build and deploy Machine Learning models
Regression, Classification and Clustering algorithms
How to evaluate Machine learning Models and evaluate how good is good enough
Ethical considerations for Machine Learning

At the end of the course attendees will be able to:

Speak the language of data scientists
Write R programs to explore, clean, and model data
Understand an R program in the context of data science
Build working Machine Learning models using R
Deploy a Machine Learning model using R
Work with tidyverse and tidymodels packages

Eğitim İçeriği

Introduction to Data Science & Machine Learning

Explain the role of the Data Scientist and the skillset it requires
Describe common application areas of Data Science, and examples of its usage in industry
Outline the Data Science process detailed in the CRISP-DM methodology
Detail the characteristics of problems which Data Science can be used to solve
Define how to evaluate the success of a Data Science Project

Introduction to R for Data Science

Understand why notebooks are often used in Data Science projects
Use R and associated libraries to manipulate datasets.
Describe why virtual environments are used
Visualise data using R

Descriptive & Inferential Statistics with R

Understand the role that descriptive and inferential statistics play in Data Science
Use measures of central tendency, variation, and correlation to understand data
Use hypothesis tests to establish the significance of effects
Use statistical visualisations to understand data distributions
Describe the role of Exploratory Data Analysis in a Data Science project

Preprocessing Data for Analysis

Appropriately process duplicated data, missing values & outliers
Understand the importance of scaling, encoding, and feature selection
Describe the importance of training, testing & validation sets
Engineer novel features to analyse

Supervised Learning: Regression

Describe regression in the context of machine learning
Build simple and multiple linear regression models
Understand non-linear regression approaches
Evaluate & compare regression models

Supervised Learning: Classification

Describe classification in the context of machine learning
Build simple and multiple logistic regression models for classification
Build Decision Tree & Random Forest models for Classification
Evaluate and compare classification models

Model Selection & Evaluation

Understand how to choose the best model for regression and classification problems
Consider tests & baselines that can be used to evaluate model performance & behaviour
Evaluate 'how good is good enough'

Unsupervised Learning

Describe clustering and dimensionality reduction in the context of machine learning
Apply and evaluate KMeans clustering
Apply and evaluate dimensionality reduction techniques

Ethics for Data Scientists

Be aware of the legislation and standards Data Scientists must adhere to
Discuss the importance of legal, ethical, and moral considerations in Data Analytics projects and identify applicable UK legislation for which employees should receive training
Discuss ethical considerations for data handling
Recognise ethical considerations in examples of machine learning, deep learning, and AI

Deploying Models & Insights

Understand how analytical models can be deployed
Evaluate how best to deploy a given model
Define checks which can be used to prevent model failures
Use R and associated libraries to deploy a machine learning model
Describe which metrics can be used to monitor deployed machine learning models

Where to Go Next

Understand the role of deep learning in modern Artificial Intelligence
Know which qualifications and professional memberships can benefit data scientists Work on a practical time series modelling problem.

Neden Bizi Seçmelisiniz

R ile Veri Bilimi ve Makine Öğrenmesi Turkmenistan eğitimine Bilginç IT Academy'nin canlı ve etkileşimli sanal sınıf ortamında katılabilirsiniz. Online Instructor-Led eğitimlerimize bireysel olarak genel katılıma açık (Public) sınıflardan katılabileceğiniz gibi, kurumunuza özel (Private / In-house) bir sınıf da planlayabilirsiniz.

Eğitim Formatı (Delivery Method): Online Instructor-Led
Katılım Modeli (Participation Model): Genel Katılıma Açık (Public) / Kuruma Özel (Private / In-house)
Canlı ve Etkileşimli Eğitim: Eğitmeninizle gerçek zamanlı iletişim kurun; soru-cevap, uygulama ve grup çalışmalarıyla öğrenme sürecine aktif olarak katılın.
Esnek Katılım: Evinizden, ofisinizden veya internet erişiminizin bulunduğu herhangi bir lokasyondan eğitime katılın.
Uzman Eğitmen Kadrosu: Sektör deneyimine sahip, alanında yetkin eğitmenlerden güncel ve uygulanabilir bilgiler edinin.
30 Yılı Aşkın Deneyim: Bilginç IT Academy'nin 1995 yılından bu yana süregelen eğitim uzmanlığından yararlanın.
Dünya Genelinde Erişim: Turkmenistan dahil dünyanın farklı lokasyonlarından canlı sanal sınıflarımıza katılabilir veya kurumunuza özel online eğitim planlayabilirsiniz.

Data Science and Machine Learning with R Turkmenistan eğitimine yüz yüze sınıf ortamında katılabilirsiniz. Classroom Based eğitimlerimiz genel katılıma açık (Public)sınıflar veya kurumunuza özel (Private / In-house)sınıflar şeklinde planlanabilir.

Eğitim Formatı (Delivery Method): Classroom Based
Katılım Modeli (Participation Model): Genel Katılıma Açık (Public) / Kuruma Özel (Private / In-house)
Yüz Yüze Öğrenme: Eğitmeniniz ve diğer katılımcılarla doğrudan iletişim kurarak etkileşimli bir sınıf deneyimi yaşayın.
Deneyimli Eğitmenler: Sektörde uzun yıllara dayanan deneyime sahip uzmanlardan gerçek dünya örnekleriyle öğrenin.
Profesyonel Eğitim Ortamı: Teknolojik altyapısı güçlü, konforlu ve öğrenmeye uygun sınıflarda eğitim alın.
Uygulamalı Öğrenme: Eğitim içeriğine bağlı olarak uygulamalar, senaryolar, vaka çalışmaları ve eğitmen yönlendirmeli çalışmalarla teorik bilgilerinizi pratiğe dönüştürün.

Data Science and Machine Learning with R Turkmenistan eğitimini kurumunuza özel olarak kendi ofisinizde veya tercih ettiğiniz lokasyonda gerçekleştirebilirsiniz. Bilginç IT Academy eğitmenleri, kurumunuzun ihtiyaçlarına göre planlanan eğitim için belirlediğiniz lokasyona gelebilir.

Eğitim Formatı (Delivery Method): Onsite
Katılım Modeli (Participation Model): Kuruma Özel (Private / In-house)
Tercih Ettiğiniz Lokasyonda Eğitim: Eğitimi şirketinizin ofisinde veya belirlediğiniz farklı bir lokasyonda organize edin.
Kuruma Özel İçerik: Eğitim programını şirketinizin projelerine, ekip yapısına, mevcut yetkinlik seviyesine ve iş ihtiyaçlarına göre uyarlayın.
Ekip Odaklı Öğrenme: Ekibinizin aynı içerik ve yaklaşım etrafında gelişmesini sağlayarak kurum içi bilgi paylaşımını ve iş birliğini güçlendirin.
Esnek Planlama: Eğitim tarihini, lokasyonunu ve programını kurumunuzun operasyonel ihtiyaçlarına göre planlayın.
Global Eğitim Organizasyonu: Eğitimi Turkmenistan lokasyonunda veya tercih ettiğiniz farklı bir ülkede/lokasyonda kurumunuza özel olarak organize edebilirsiniz.

Eğitimlerle ilgili bilgi almak ve diğer tüm sorularınız için bize ulaşın!

Neden bizi tercih ettiniz?

Bilginç'ten daha önce eğitim aldım ve memnun kaldım.

Daha önce farklı bir kurumdan aldığım eğitimden memnun kalmadım.

Diğer

IT departmanınızda kaç kişi çalışıyor?

0 – 50

50 – 250

250 – 1000

1000+

Data Science and Machine Learning with R Turkmenistan Eğitimi

Prerequisites

Neler Öğreneceksiniz

Eğitim İçeriği

Neden Bizi Seçmelisiniz