Poziom: średnio zaawansowany + zaawansowany 30 godzin dydaktycznych Zajęcia zdalne lub stacjonarne w sali komputerowej Zaświadczenie ukończenia Ocena kursu: nowy kurs Koordynator: Piotr Ćwiakowski (pcwiakowski@labmasters.pl) Oprogramowanie: R/Python/ Git/Docker Miejsce: Wydział Nauk Ekonomicznych UW, Warszawa ul. Długa 44/50 (mapa) |
Opis kursu
Wdrażanie i rozwój rozwiązań analitycznych w środowisku produkcyjnym w przedsiębiorstwie jest jedną kluczowych umiejętności na wyższych, samodzielnych stanowiskach analitycznych. Analitycy Data Science, programiści oraz zarządzający projektami potrzebują opanować zbiór narzędzi (tzw. stack technologiczny), który pozwoli na realizację pełnego cyklu rozwoju projektu z zachowaniem dobrych praktyk: wersjonowanie, praca w zespole, testowanie i finalnie opublikowanie modelu analitycznego do zastosowań dla końcowego odbiorcy. Wiedza i umiejętności z tym związane wchodzą w zakres czynności powszechnie nazywanych DevOps.
Kurs prowadzony jest na poziomie średnio zaawansowanym i zaawansowanym. Wymagana jest znajomość dowolnego języka programowania (przede wszystkim R lub Python), przy czym przykłady zostaną przygotowane w R i Python. Przedstawione zostaną tu narzędzia umożliwiające efektywne zarządzanie projektami analitycznymi (praca w systemie Linux git, Docker). Przygotowane przykłady posłużą do zaprezentowania praktycznych problemów, z którymi mierzą się analitycy i osoby zarządzające projektami. Uczestnicy w trakcie kursu poznają rozwiązania omawianych problemów z wykorzystaniem powszechnie stosowanych narzędzi i technik. Dokonany zostanie również przegląd rozwiązań chmurowych (AWS, Google Cloud). Poniżej szczegółowy opis kursu.
Zapisy
Zgłoś zainteresowanie
Jeżeli jesteś zainteresowany(a) wzięciem udziału w kursie realizowanym na żywo, ale w późniejszym terminie, zgłoś wstępną chęć uczestnictwa. Dzięki temu, wcześniej niż inni otrzymasz informację o zapisach i będziesz mieć pierwszeństwo w rejestracji.
Tematyka kursu
Dobre praktyki rozwijania i zarządzania projektami
Podstawy systemu Linux (bash, praca w terminalu), wersjonowanie projektu w oparciu o git i Github (a także porównanie z Gitlab i BitBucket) z zastosowaniem w pracy zespołowej (review, branch, pull request, Scrum Board).
Praca w odtwarzalnym środowisku projektowym
Podstawy technologii Docker (kontener, obraz dockerowy, Dockerfile), wykorzystanie Docker’a w rozwijaniu projektów, pracy zespołowej, a także publikowaniu wyników.
Elementy DevOps
Implementacja Continuous Integration (CI) oraz Continuous Delivery (CD) w celu testowania rozwiązań projektu, aktualizacji danych oraz automatycznego publikowania wyników (na bazie Github Actions).
Techniki publikowania wyników modeli analitycznych
Podstawy tworzenia REST API, aplikacji webowych, wykorzystanie i przegląd rozwiązań chmurowych (AWS, Google Cloud), popularne rozwiązania powiązane z wybranym językiem programowania.