Академия информационных систем
Big Data для руководителей: внедрение, эффективность, безопасность
по запросу в будни
О курсе
Программа курса
Введение в большие данные (Big Data)
Цели и задачи курса.
Основные понятия и определения.
История науки о данных (Data Science). Особенности развития Data Science в настоящее время.
Большие данные и цифровая трансформация.
Эффективное использование данных в организации.
Различные подходы к управлению (Data-Driven и DataInformed).
Data-Driven культура (данные как стратегический ресурс).
Использование Data-Driven подхода. Выгоды от работы с большими данными.
Основные области применения больших данных.
Специфика работы с большими данными
Основные принципы работы с Big Data.
Интеграция больших данных. Источники данных (реляционные, не реляционные, предметно ориентированные информационные базы данных). Data Lake.
Импорт и экспорт данных: SQL и NoSQL базы данных, потоковые данные, файловые системы (HDFS, NFS), webcontent, социальные сети.
Пакетная и динамическая (batch / real-time) загрузка данных.
Типовые задачи аналитики больших данных.
Методы аналитики Big Data. Подход MapReduce.
Жизненный цикл аналитики данных: получение и накопление данных, подготовка данных, планирование модели, построение модели, проверка результатов, внедрение.
Использование анализа больших данных для повышения эффективности бизнес процессов.
Технологии больших данных.
Особенности применения аналитики для Big Data
Статистические методы и методы интеллектуального анализа данных (Data Mining).
Отличия методов Data Mining от статистических методов.
Задачи и этапы Data Mining.
Организационные и человеческие факторы в Data Mining. Методология CRISP-DM (Cross-Industry Standard Process for Data Mining) с точки зрения разработки модели с учетом требований информационной безопасности.
Инструментарий для работы с Big Data и проблемы информационной безопасности в ходе использования
Инструменты для анализа данных и машинного обучения (Библиотеки, Фреймворки, Базы данных, Аналитические платформы) и их уязвимости.
Распределенные вычисления и экосистема Apache Hadoop. Назначение и характеристика компонент Hadoop для хранения и обработки Big Data.
Основные уязвимости компонентов Hadoop и угрозы безопасности платформы.
Подход к моделированию угроз при анализе угроз платформы
Настройка механизмов безопасности для компонентов Hadoop.
Применение облачных технологий (платформы AWS, Azure) для реализации решений Big Data и вопросы, связанные с безопасностью при переходе в облако.
Тенденции развития техник и технологий обеспечения безопасности решений Big Data.
Сравнительные характеристики программных и аппаратных решений для реализации решений Big Data с учетом вопросов ИБ.
Big Data Infrastructure Landscape 2019.
Big Data Infrastructure Service Providers 2019.
Big Data Analytics Landscape 2019.
Big Data Enterprise Level Applications Landscape 2019.
Итоговая аттестация
По окончании обучения выдается
Удостоверение о повышении квалификации
Как вы будете учиться
Получить персональное предложение
