• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

В последние годы Data Science стало привлекать к себе всё больше внимания. Ведь с помощью методов машинного обучения и анализа данных могут быть решены различные задачи бизнеса: прогнозирование спроса, увеличение продаж с помощью рекомендаций товаров, удержание клиентов, прогнозирование динамики цен и оптимизации производства. Наша  программа посвящена основам машинного обучения и искусственного интеллекта и задачам, которые данная технология позволяет решать. На лекциях и семинарах мы расскажем о том, как оценить задачу, выбрать правильную метрику, нужно ли нанимать аналитиков в штат или дешевле купить коробочное решение под  данную задачу. Как найти связь с экономическим эффектом, эффективно проводить офлайн и онлайн тестирование моделей. Кроме того, будут затронуты темы планирования реализации и внедрения моделей, расставления приоритетов при выборе задач, управления жизненным циклом моделей. Также во время семинаров будут рассмотрены кейсы практического применения анализа данных в различных областях. Навыки программирования для освоения программы не требуются.

Поступление

Документы для приема

Оригинал и копия паспорта или документа, заменяющего его

Оригинал и копия документа об образовании и квалификации или справка об обучении для лиц, получающих высшее образование

Оригинал и копия документа об изменении фамилии, имени, отчества (при необходимости)

Содержание программы

  • Введение в машинное обучение и анализ данных. Основные термины и понятия. Различные инструменты для анализа данных: их плюсы и минусы. Рынок данных и юридические аспекты их использования.
  • Постановка задачи и особенности управления проектами в Data Science. Типы задач. Выбор метрик. Управление ожиданиями по качеству. Анализ сценариев использования моделей. Валидация задачи и данных. Экономический эффект.
  • Оценка качества проектов в Data Science. Метрики классификации. Метрики регрессии. Метрики ранжирования. Как и зачем мерять качество. A/B тестирование. Статистическая значимость и чувствительность. Примеры онлайн и оффлайн тестов.
  • Построение моделей. Предобработка данных. Планирование экспериментов. Валидация и тестирование в процессе.
  • Подготовка технического задания и управление проектом. Разбор кейсов

 

Что будет на занятиях

Каждая лекция — это разбор проекта от момента постановки задачи и взаимодействия с заказчиком до тестирования и внедрения.

Что в результате? Мы разберём такие темы, как:

  • процесс ведения проектов в DS;
  • оценка необходимости и эффективности внедрения DS решений;
  • организация работы команды;
  • тестирование моделей и внедрение;
  • что происходит после внедрения и как оценивать эффект.

 

На практических занятиях слушатели будут работать в Jupyter Notebook и освоят Python, чтобы:

  • манипулировать табличными данными;
  • считать аналитику;
  • визуализировать данные;
  • собирать аналитику и визуализацию в презентации в JN.

Также на практических занятиях слушатели закрепят знания основ машинного обучения и выбора подходящих метрик для своих задач.

Преподаватели

Head of Big Data Team в Азбуке Вкуса.

Преподаватель факультета компьютерных наук, эксперт Центра непрерывного образования, аспирант департамента больших данных и информационного поиска НИУ ВШЭ. Ведёт лекции и тренинги для менеджеров по DS, AI, ML. Работала в Х5 Retail Group, Альфа-Банке и ФРИИ.
Чувилина Анна

Выпускница магистратуры и преподаватель факультета компьютерных наук НИУ ВШЭ. Автор и менеджер программы по аналитике в Яндекс.Практикуме.
Подать заявку

Вас могут заинтересовать

  • Очно-заочная форма
  • 76 академических часов, в том числе 56 аудиторных
  • Очно-заочная форма
  • 44 академических часа
  • Очная форма
  • 608 академических часов, в том числе 414 часов лекций и семинаров.