Poziom: średnio zaawansowany + zaawansowany 30 godzin dydaktycznych Zajęcia w sali komputerowej Zaświadczenie ukończenia Ocena kursu: nowy kurs Koordynator: Piotr Ćwiakowski (pcwiakowski@labmasters.pl) Oprogramowanie: Git/R/Python/MS Office/JIRA/Confluence Miejsce: Wydział Nauk Ekonomicznych UW, Warszawa ul. Długa 44/50 (mapa) |
Opis kursu
Po opanowaniu narzędzi do analizy danych (R, Python, ale również Excel/VBA/ SQL/Power BI/Tableau), następnym krokiem jest nauka nowoczesnych metod pracy projektowej stosowanej w dużych przedsiębiorstwach. W dziedzinie projektów informatycznych dominuje obecnie podejście zwinne (Agile) – elastycznego i dynamicznego podejścia do tworzenia i rozwijania aplikacji IT i Data Science. Z kolei w dziedzinie optymalizacji procesów biznesowych, których narzędzia analityczne są integralną częścią, dominuje metodyka Lean Six Sigma. Znajomość obydwu metod jest dodatkowym atutem na rynku pracy i ważnym uzupełnieniem miękkich umiejętności analityka danych. Z kolei analitycy Data Science 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 wdrożenie modelu analitycznego na środowisko produkcyjne.
Kurs składa się z dwóch części, każda trwa 15 godzin dydaktycznych. Na pierwszej część przekazywane są od podstaw wiedza i umiejętności w zakresie metodyk Agile i Lean Six Sigma, a od uczestników nie jest wymagana znajomość narzędzi analitycznych. Druga część również jest prowadzona od podstaw w zakresie omawianych narzędzi (praca w terminalu Linux/Windows, git, Docker). Natomiast dla uczestników udostępnione są gotowe modele analityczne w językach R i Python (każdy przykład w obydwu językach), które wykorzystujemy w przykładach i ćwiczeniach. Na tej części przydatna (ale nie niezbędna) jest ogólna znajomość zagadnień związanych z programowaniem (np. znajomość dowolnego języka programowania na poziomie średnio zaawansowanym). Materiały są przygotowane w ten sposób, że są użyteczne zarówno dla analityków/programistów jak i osób, które chcą tylko poznać metody i charakter pracy tych zawodów (ponieważ współpracują z programistami).
Zapisy
Zgłoś zainteresowanie
Jeżeli jesteś zainteresowany(a) wzięciem udziału w tym kursie, zgłoś wstępną chęć uczestnictwa. Dzięki temu, wcześniej niż inni otrzymasz informację o zapisach i będziesz mieć pierwszeństwo w rejestracji.
Tematyka kursu
Agile w przedsiębiorstwie
- Filozofia Agile (Agile Manifesto, cykl życia Agile). Porównanie podejścia zwinnego i klasycznego (waterfall).
- Agile na poziomie zespołu i organizacji.
- Zwinne metody rozwoju aplikacji (DSDM, XP, FDD, TDD i inne).
- Zwinne podejścia do tworzenia rozwiązań dla kompleksowych problemów (np. Scrum, Kanban, Scrumban).
- Skalowanie Agile w organizacji (SAFe, LeSS, SoS, Spotify i inne).
- Scrum i Kanban.
Szczegółowe omówienie najpopularniejszych praktyk oraz ich połączenia (Scrumban). - Sposoby użytkowania oprogramowania Atlassian JIRA do efektywnego zarządzania zespołem i pracą programistów w Agile. Wykorzystanie JIRA w codziennej pracy.
- Sposoby użytkowania oprogramowania Atlassian Confluence w zakresie efektywnej współpracy zespołów i zarządzania wiedzą w Agile.
- Ścieżka dostosowania Agile do własnego zespołu i pracy programisty/analityka.
Lean Six Sigma
- Filozofia optymalizacji procesów (The Toyota Way, Kaizen).
- Klasyczne metody i techniki ulepszania procesów (np. Lean Management, Six Sigma, Lean Six Sigma, Kanban, 5S).
- Ustrukturyzowana droga rozwiązywania problemów (np. identyfikacja problemu, analiza przyczyny problemu, diagram Ishikawy, 5 x Why).
- Podejście do analizy i mapowania procesów (SIPOC, pomiar procesu, tworzenie mapy procesu, genchi genbutsu).
- Sposoby budowania rozwiązań (np. PICK matrix, mapa myśli, poka yoke) oraz kontroli procesu (budowanie metryk).
- Innowacyjne podejście do usprawnień biznesowych (np. Design Thinking, grywalizacja, FMEA).
- Zastosowanie optymalizacji w procesach związanych z Agile.
Techniki rozwijania i wdrażania projektów analitycznych do środowiska produkcyjnego
- Podstawy pracy w Bash (terminal w systemie Windows).
- Podstawy wersjonowania projektów z wykorzystaniem git i Github.
- Dobre praktyki rozwijania projektów w oparciu o git i Github (branch, review, pull request, Scrum Board).
- Reprodukowalne środowisko projektowe z wykorzystaniem technologii Docker.
- Praca z obrazem i kontenerem dockerowym (budowanie modeli, uruchamianie komend).
- Podstawy tworzenia REST API w R i Python.
- Publikowanie wyników modelu/analiz z poziomu Dockera.
- Omówienie metod wdrażania projektu analitycznego “na produkcję” (cykl rozwoju projektu, publikowanie wyników, technologie wykorzystywane w projekcie).