A jó onboarding folyamat 3. titka – Mérföldkövek és felelősök meghatározása Az előzőleg bemutatott tartalmi elemeket érdemes valamilyen könnyen befogadható formában átadni. Tehát ne csak egy nyomtatott cégbemutató brossúrát és a munkaszerződését adjuk át az új kollégának, hanem vezessük körbe az irodában. Legyen egy mentora, aki a szervezeti kultúrában való eligazodásban és a szocializálódásban segíti az újoncot. Vezessük körbe, mutassuk be a kollégáknak. Szervezzük egy találkozót a közvetlen főnökével már az első napon. Foglalkoztatási terv készítése excel. Érdemes kijelölni az onboarding folyamat mérföldköveit. Ilyen lehet az első nap előtti pre-onboarding, az első nap, az első hét, valamint az első hónap vége. Ezt követően már ritkulhatnak a mentori találkozók és a feletessel való teljesítményértékelő beszélgetések, de a harmadik és a hatodik hónap végére mindenképpen ütemezzünk egy teljesítményértékelő beszélgetést. A mentori találkozókból is elegendő lesz havi egy. Az első év végén zárjuk le az onboarding folyamatot és innentől a munkavállaló megtartására koncentráljunk.
évfolyam#', sablonok, 'radio')}}) 10. évfolyam ({{getCount('evfolyam_name', '#10. évfolyam#', sablonok, 'radio')}}) 11. évfolyam ({{getCount('evfolyam_name', '#11.
A hatékony onboarding folyamat kulcsa, hogy részletes beillesztési tervet készítünk. Ebben nem csak azt határozzuk meg, hogy mit szeretnénk átadni az új belépőnek, hanem azt is, hogy ezt mikor és milyen formában tesszük meg. Az egyes mérföldköveknek és feladatoknak kell, hogy legyen felelőse, így semmi sem fogja elkerülni a figyelmünket a tervezés során és nem fogjuk elkövetni a leggyakoribb hibákat sem. A jó onboarding folyamat 1. titka – Mérjük fel, hogy milyen eszközeink és lehetőségeink vannak Először azt kell elemeznünk, hogy milyen lehetőségek állnak rendelkezésünkre a szervezeten belül. Ennek során fel kell mérnünk, hogy hány munkatársat tudunk például mentorként bevonni, illetve, hogy eddig hogyan épült fel a beillesztési folyamatunk. A szervezet mérete, felépítése, kultúrája és a fluktuáció szintje is nagy mértékben befolyásolja, hogy milyen formában tudjuk megvalósítani az új kollégák beillesztését. Foglalkoztatási Terv Készítése. Ha kisebb cég vagyunk, ahol közvetlenebbek a munkakapcsolatok és jelentős kommunikáció van az egyes részlegek között, akkor építsünk erre.
{{(sablonok | filter: filterModel: false)}} találat clear {{ (((currentPage-1)*pageSize)+1) +' - ' + ( ((((currentPage)*pageSize)) > (sablonok | filter: filterModel: false))? (sablonok | filter: filterModel: false): ((currentPage)*pageSize)) + ' / ' + (sablonok | filter: filterModel: false)}} találat Megnevezés Évfolyam Mind 1. évfolyam ({{getCount('evfolyam_name', '#1. évfolyam#', sablonok, 'radio')}}) 2. évfolyam ({{getCount('evfolyam_name', '#2. évfolyam#', sablonok, 'radio')}}) 3. évfolyam ({{getCount('evfolyam_name', '#3. évfolyam#', sablonok, 'radio')}}) 4. évfolyam ({{getCount('evfolyam_name', '#4. Heti foglalkozási terv | Ficserke Családi Központ. évfolyam#', sablonok, 'radio')}}) 5. évfolyam ({{getCount('evfolyam_name', '#5. évfolyam#', sablonok, 'radio')}}) 6. évfolyam ({{getCount('evfolyam_name', '#6. évfolyam#', sablonok, 'radio')}}) 7. évfolyam ({{getCount('evfolyam_name', '#7. évfolyam#', sablonok, 'radio')}}) 8. évfolyam ({{getCount('evfolyam_name', '#8. évfolyam#', sablonok, 'radio')}}) 9. évfolyam ({{getCount('evfolyam_name', '#9.
Hétfő Kedd Szerda Csütörtök Péntek Csicsergő A hétvégi élmények, az évszakhoz kapcsolódó aktualitások feldolgozása mesés formában, bábozás, közös bábkészítés. Zene-bona Zenés foglalkozás: dalok, mondókák, ölbéli játékok, ismerkedés a hangszerekkel, ritmusfejlesztés, saját testünk, mint hangszer. Maszat-nap Kézműveskedés: rajzolás, festés, vágás, tépés, ragasztás, gyurmázás, stb. Ficergő Mozgásos foglalkozás: állatok mozgásának utánzásával, mondókákkal, dalokkal kísérve, menetelés zenére, labdázás, egyensúlyérzék fejlesztése. Nézz körül! Természeti nevelés: ismerkedés a környezetünkben élő állatokkal, madarakkal, a séta közben gyűjtött levelekkel, termésekkel, az évszakok változásával. Foglalkoztatási terv készítése számítógépen. A napi fő foglalkozásokat kiegészítjük a Montessori eszközök használatával, sok mozgással, mesével, rajzolással, kézműveskedéssel, zenével. Néha sütünk-főzünk. A heti foglalkozási tervet rugalmasan kezeljük! Ünnepek, jeles napok, rendezvények: Folyamatosan készülünk a gyerekekkel az aktuális közelgő ünnepekre.
evfolyam. evfolyam}}. évfolyam {{ntlakasos_megnevezes}} {{ort_megnevezes}} Sajnos nincs a keresésednek megfelelő találat. Kérlek próbálkozz újra más feltételekkel! Lista szűrése
o Hadoop (eredetileg): batch & 'at rest' Big Data =/= Hadoop (ökoszisztéma) Elemző eszközök kiterjesztései o 'File backed' o Adatbázis-integrált o Vitatható, hogy 'igazi' Big Data-e Célhardver o IBM Netezza Gráfproblémák kezelése o Nem csak paraméterbecslés és tulajdonságvizsgálat; mintaillesztés is Tentatív tematika kivonata Adatelemzési alapozás R Felderítő adatelemzés MapReduce algoritmika Mintavételezés Gépi tanulás (szemelvények) Folyamfeldolgozás ZH Beszámoló-előadások Lehetőségek [1] Illetve: tessék körbenézni Budapesten. Források [1] Manyika, J., Chui, M., Brown, B., & Bughin, J. (2011). Big data: The next frontier for innovation, competition, and productivity. Retrieved from [2] Zikopoulous, P., Deroos, D., Parasuraman, K., Deutsch, T., Corrigan, D., & Giles, J. (2013). Harness the Power of Big Data. McGraw-Hill. Retrieved from [3] Jacobs, A. (2009). The pathologies of big data. Communications of the ACM, 52(8), 36. doi:10. 1145/1536616. 1536632 [4] [5] Borkar, V., Carey, M. J., & Li, C. (2012).
9. hét Modelladaptáció. Modellek alkalmazása futási időben. Példa: szenzorkiválasztás monitorozó rendszerben. 10. hét Párhuzamosított feldolgozás eszközei. Finom és durva granularitású párhuzamosítás; adattárolás és –feldolgozás algoritmikus harmonizálása. Többmagos, FPGA, GPU, Grid, MapReduce/Hadoop és kapcsolódó eszközök bemutatása. 11. hét Az eszközök beágyazása statisztikai keretrendszerekbe, Revolution, Oracle és IBM R megoldások. Példa: egy benchmark probléma összehasonlítása a különböző platformokon. 12. hét Modellek hordozása az adatelemzési és informatikai modelltartományok között (PMML). A kinyert modellek ellenőrzése és általánosítása. Validálás, verifikálás. Érzékenységanalízis, metakategorizálási szabályok kinyerése. Példa: szoftver és webes alkalmazás teljesítményanalízise. 13. hét Alkalmazások. Esettanulmányok. 9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) 10. Követelmények Egy kötelező házi feladat. A házi feladat egy gyakorlati 'Big Data' probléma megoldása az előadáson megismert módszerek és eszközök segítségével.
'Big Data' elemzési módszerek Tárgykód VIMIAV02 Általános infók Kredit 2 Ajánlott félév ősz Keresztfélév nincs Tanszék VIK-MIT Követelmények Jelenlét Minimális munka? Labor KisZH NagyZH 1 Házi feladat van Vizsga Elérhetőségek Tantárgyi adatlap Tárgyhonlap Bevezetés A tárgy célja a Big Data problémakör megoldását biztosító eszközök és módszerek áttekintése, a nagy adatmennyiségből adódó speciális problémák kezelése. A tárgyaláshoz több szempontból előnyös, közös nevező a komplex modellek használata, valamint az adatok hatékony ábrázolása, vizualizációja, ide értve a vizuális adatelemzés lehetőségeinek áttekintését is. Követelmény Félév végén (kb. 13-14. héten) egy ZH, a szükséges minimum szint a pontok 40%-a. Egy kötelező házi feladat. A házi feladat egy gyakorlati 'Big Data' probléma megoldása az előadáson megismert módszerek és eszközök segítségével. A házi feladat bemutatása és értékelése az utolsó oktatási héten történik, egy közös nyilvános bemutató keretében. Segédanyagok Ellenőrző kérdések A ZH kérdései az ellenőrző kérdések közül kerülnek ki.
Twitter 'spam' RDBMS? • 'Big Data' problémáknál általában létezik természetes (részleges) rendezési szempont • Természetes: a nemtriviális analízisek ebben a sorrendben működnek • Pl. idő (idősor-analízisek) • Relációs modell: sorok sorrendje anatéma • Következmény: véletlenszerű hozzáférés diszkről • Az "optimális" hozzáférési mintához képest lassú Normalizált séma: lassíthat! [3] Nagyvállalati adattárházak? • Jellemzően igen komoly ETL • "Válaszidő"-követelmények • Régi adatok aggregálása/törlése/archiválása • Strukturálatlan adatok nem jellemzőek • Drágák… • Nem lehet későbbi analízisre "leborítani" az adatokat Analízis eszközök? • Példa: R • Kulcsrakész függvények mediántól a neurális hálókig • De: csak memóriában tárolt adattípusok, nem hatékony memóriakezelés Vizualizáció? • A klasszikus megoldások erősen támaszkodnak létező tárolási és analízis-megoldásokra • Jellemzően statisztikai leképezések • Önmagában Big Data problémára vezethető vissza • Feltáró adatanalízis (EDA): GPU támogatás?
ritka adat analízis). Ezen folyamat eredményeképp az informatikai szektor is megváltozott. A piacon egyre nagyobb az igény olyan ún. adat tudós (data scientist) szakemberek iránt, akik az adatok megfelelő feldolgozását és értelmezését el tudják végezni, megfelelő gyakorlati és elméleti ismeretekkel rendelkeznek a gráf elemző és gépi tanulási módszerekről. A tárgy gyakorlati példákon keresztül vezeti be a hallgatókat a különösen nagy adattömegek elemzésének és adatbányászatának világába. Tematika röviden: Jupyter/iPython notebooks, Python/R alapok, Scikit-learn/SparkML, statisztikai alapfogalmak, feltáró elemzések (pandas, numpy, scipy, Dato), adattisztítás, klaszterezés, dimenzió csökkentés, osztályozás, ajánlórendszerek, deep learning, adatvizualizáció és prezentáció Big Data hallgatói labor: Csapatban valós problémákon dolgozhatnak a hallgatók. A feladatok közé tartozik Big Data versenyfeladatok megoldása és ilyen versenyeken való részvétel. A tehetségesebbek valós ipari projektek megvalósításába is bekapcsolódhatnak.
Mindezek segíthetnek felkészülni a jövő megpróbáltatásaira, hatékonyabbá tehetjük általa gazdálkodásunkat. A vásárlók igényeiknek megfelelőbb termékekkel, szolgáltatásokkal, esetleg hirdetésekkel találkozhatnak. Ezáltal javulhat a fogyasztók szubjektív jóléte, a vállalatok pedig magasabb profitokat érhetnek el. Ezzel szemben állhat a hatalmas adatmennyiség következtében meglévő zaj, mely nem megfelelő következtetések levonásához vezethet. Emellett a másik és talán legfőbb probléma az érzékeny személyes adatok kérdése. Rendkívül sok adat keletkezik, amelynek jelentékeny része érzékeny személyes adatnak minősíthető. A meglévő adatok alapján sok esetben olyan információk nyerhetők ki az adott egyénről, melyekkel ő maga sincsen tisztában. A nagymennyiségű adat következtében a lehetőség adott az emberek befolyásolására, megtévesztésére, ízlésük hatékony alakítására. Ilyen szempontból az adatok felhasználása és gyűjtése alapvetően felveti az etikusság kérdését. Hogyan ítéljük meg, ha az egyén beleegyezik személyes adatainak gyűjtésére, ugyanakkor nem képes felmérni annak potenciális következményeit?