----------------------------------------------------------------------------------------------------------
----------------------------------------------------------------------------------------------------------
----------------------------------------------------------------------------------------------------------
Big Data for Managers Course Structure
Um curso de Big Data, que procure apresentar uma visão inicial das possibilidades e recursos, além de proporcionar experiência prática aos participantes teria os seguintes tópicos:
I - Modelagem de Dados
Introduzir o conceito de modelo de dados. O objetivo é mostrar o aluno as possibilidades de análise de dados fora do sistema tradicional de planilha, a qual aparece quando a quantidade de dados cresce e começam a aparecer complexas inter-relacionamentos entre as colunas de uma planilha.
Como são exemplos com objetivo de introduzir conceitos novos ou de melhorar o uso individual de recursos, recomenda-se iniciar esta parte com o Access e apresentar posteriormente bancos de dados relacionais que sejam escaláveis (SQL Server ou até mesmo o SciDB).
II – Estatística
A partir das bases de dados utilizadas para implementar os exemplos da parte I, pode-se explorar conceitos de análise estatística mais sofisticada, feita a partir de subconjuntos de dados extraídos e exportados de um DB (utilizado na etapa I).
Os primeiros exemplos envolvem Testes de Hipóteses, Anova e Regressão feitos no Excel.
Exemplos mais sofisticados de clusterização e análise fatorial são feitos no R
III – Big Data
Sempre através de exemplos práticos, de caráter gerencial, executados no computador o aluno já conheceu a importância da estrutura dos dados e a capacidade das técnicas estatística em transformar dados difusos em informação útil.
Neste momento ele é apresentado a técnica de captura de dados e “garimpagem” de informações em ambientes não estruturados (isto é reais). É aqui que se introduz Hadoop e MapReduce.
Os tópicos seriam :
IV – Estudos de Caso
O curso conclui com exemplos de predictive analytics nas áreas de: propaganda, preferencias e escolha dos consumidores, market basket analysis, análise econômica, operações, text analytics, esportes, relação entre marca e preço e também análise espacial de dados.
Estes exemplos exploram e integram as 3 etapas apresentadas acima.
----------------------------------------------------------------------------------------------------------
----------------------------------------------------------------------------------------------------------
----------------------------------------------------------------------------------------------------------
Quantitative Modeling Basic Course
Advanced Course (A.I. Applied to Business Problems)
----------------------------------------------------------------------------------------------------------
----------------------------------------------------------------------------------------------------------
Big Data for Managers Course Structure
I - Modelagem de Dados
Introduzir o conceito de modelo de dados. O objetivo é mostrar o aluno as possibilidades de análise de dados fora do sistema tradicional de planilha, a qual aparece quando a quantidade de dados cresce e começam a aparecer complexas inter-relacionamentos entre as colunas de uma planilha.
Como são exemplos com objetivo de introduzir conceitos novos ou de melhorar o uso individual de recursos, recomenda-se iniciar esta parte com o Access e apresentar posteriormente bancos de dados relacionais que sejam escaláveis (SQL Server ou até mesmo o SciDB).
II – Estatística
A partir das bases de dados utilizadas para implementar os exemplos da parte I, pode-se explorar conceitos de análise estatística mais sofisticada, feita a partir de subconjuntos de dados extraídos e exportados de um DB (utilizado na etapa I).
Os primeiros exemplos envolvem Testes de Hipóteses, Anova e Regressão feitos no Excel.
Exemplos mais sofisticados de clusterização e análise fatorial são feitos no R
III – Big Data
Sempre através de exemplos práticos, de caráter gerencial, executados no computador o aluno já conheceu a importância da estrutura dos dados e a capacidade das técnicas estatística em transformar dados difusos em informação útil.
Neste momento ele é apresentado a técnica de captura de dados e “garimpagem” de informações em ambientes não estruturados (isto é reais). É aqui que se introduz Hadoop e MapReduce.
Os tópicos seriam :
- a) Introdução ao Hadoop. Compreendendo sistemas distribuídos. Comparando DBs SQL e Hadoop. Compreendendo o MapReduce. Executando um programa simples de contagem de palavras
- b) Estrutura do Hadoop. Implementação da Hortonworks em Windows, para máquinas individuais. Diferenças das implementações individuais (para teste e aprendizagem) das implementações típicas (em cluster).
- c) MapReduce. Criação de programas em MapReduce. Combinação de diferentes fontes de dados. Criação de filtros.
- d) Integração R e Hadoop
- e) Estudos de caso: New York Times Archive, Mining at China Mobile, Websites at StumbleUpon, IBM Project ES2
IV – Estudos de Caso
O curso conclui com exemplos de predictive analytics nas áreas de: propaganda, preferencias e escolha dos consumidores, market basket analysis, análise econômica, operações, text analytics, esportes, relação entre marca e preço e também análise espacial de dados.
Estes exemplos exploram e integram as 3 etapas apresentadas acima.
----------------------------------------------------------------------------------------------------------
----------------------------------------------------------------------------------------------------------
----------------------------------------------------------------------------------------------------------
Quantitative Modeling Basic Course
- Spreadsheet problem modeling
- Results optimization
- Uncertainty simulation
- Examples:
- Production and marketing mix optimization.
- Advertising results analysis.
- Problem linearization and operation sequencing: oil and pharma industry examples.
- Operations management applications.
- Financial applications. Cash flow management.
- Network distribution optimization.
- Resource allocation. Territory assignment and facilities location.
- DEA – Data Envelopment Analysis. Applications in services, finance and third sector organizations.
- Integer and binary programming
- Results simulation under uncertainty conditions: overbooking, market-share, product insurance, cash flow, VaR (Value At Risk) introduction.
Advanced Course (A.I. Applied to Business Problems)
- Softwares: Excel, Solver (2010) & Palisade @RISK
- Non linear optimization: gradient methods, application limitis. Evolutionary methods. Multiple Start Methods. Pricing, operations and investment applications with Solver 2010 and Palisade Evolver
- Neural nets applications. Credit portfolio management and risk analysis with Palisade Neural Tool.
- VBA intro. Monte Carlo simulation review. Applications in finance, hedging, futures and derivatives using Microsoft Excel spreadsheet and Palisade @RISK.
- Optimization under uncertainty. Derivatives pricing. Hedge,futures and derivatives optimization with Excel, Palisade RISKOptimizer & VBA.
