Модуль 8. Машинное обучение в бизнесе

Data-driven-подход на примере задачи маршрутизации заявок в helpdesk
Профилирование пользователей. Сегментация: unsupervised learning (clustering, LDA/ARTM), supervised (multi/binary classification)
Связь бизнес-показателей и DS-метрик
Uplift-моделирование
Задача оттока: варианты постановки, возможные способы решения
Задача look-alike
Интерпретация прогнозов модели (SHAP): объясняем поведение модели на отдельных наблюдениях
A/B-тестирование
Интеграция

Часов в программе

18,00 часов

лекции

14,00 часов

практика

15,00 часов

самостоятельная

2,00 часа

промежуточная аттестация

49,00 часов

всего

Материально-технические условия реализации программы:

Вид занятий: лекция
Требуемое ПО:
Любая современная операционная система и настроенная в зависимости от языка программирования среда разработки: любая привычная IDE, для Python — установленный интерпретатор с python.org и любая привычная IDE.

Вид занятий: Практическое занятие
Требуемое ПО:
Любая современная операционная система и настроенная в зависимости от языка программирования среда разработки: любая привычная IDE, для Python — установленный интерпретатор с python.org и любая привычная IDE.

Вид занятий: самостоятельная работа
Требуемое ПО:
Любая современная операционная система и настроенная в зависимости от языка программирования среда разработки: любая привычная IDE, для Python — установленный интерпретатор с python.org и любая привычная IDE.

Информационные ресуры

 [Электронный ресурс]//URL.: https://www.youtube.com/watch?v=teYwjHkCEm0 - Deep dive into DAX evaluation context
 [Электронный ресурс]//URL.: https://www.sqlbi.com/articles/calculated-columns-and-measures-in-dax/ - Calculated Columns and Measures in DAX
 [Электронный ресурс]//URL.: https://insightsoftware.com/blog/calculated-columns-vs-measures/ - Calculated Columns vs Measures
 [Электронный ресурс]//URL.: https://www.bluegranite.com/blog/understanding-the-differences-between-calculated-columns-measures-in-power-bi - Understanding the Differences Between Calculated Columns & Measures in Power BI
 [Электронный ресурс]//URL.: https://docs.microsoft.com/en-us/power-bi/visuals/power-bi-visualization-types-for-reports-and-q-and-a - Visualization types in Power BI
 [Электронный ресурс]//URL.: https://coolinfographics.com/dataviz-guides - DataViz Reference Guides

Образовательные ресуры

 [Электронный ресурс]//URL.: https://www.sqlbi.com/ref/power-bi-visuals-reference/ - Power BI Visuals Reference
 [Электронный ресурс]//URL.: https://www.softcrylic.com/blogs/data-visualization-with-powerbi/ - Выбор подходящей визуализации данных с помощью Power BI.

Учебно-методические материалы

Методы, формы и технологии

Метод проблемного обучения
Метод проектов
Метод питчинга

Методические разработки

Методические рекомендации по промежуточной аттестации
Методические рекомендации по организации питчинга

Материалы курса

Уровни анализа данных - современные подходы

Учебная литература

• Робинсон Ян, Вебер Джим, Эифрем Эмиль. Графовые базы данных: новые возможности для работы со связанными данными. — 2-е изд. — М.: ДМК Пресс, 2016. — 256 с.
• Шварц Б., Зайцев П., Ткаченко В., Заводны Дж., Ленц А., Бэллинг Д. MySQL. Оптимизация производительности, 2-е издание. — Пер. с англ. — СПб.: Символ-Плюс, 2010. — 832 с.
• Чарльз Белл, Мэтс Киндал и Ларс Талманн. Обеспечение высокой доступ-ности систем на основе MySQL / Пер. с англ. — М. : Издательство "Русская ре-дакция"; СПб. : БХВ-Петербург, 2012. — 624 с.
• Чашкин, Ю.Р. Математическая статистика. Анализ и обработка данных: Учебное пособие / Ю.Р. Чашкин; Под ред. С.Н. Смоленский. — Рн/Д: Феникс, 2017. — 236 c.
• Фаулер, Мартин, Садаладж, Прамодкумар Дж. NoSQL: новая методология разработки нереляционных баз данных. — Пер. с англ. — М.: ООО "И.Д. Виль-ямс", 2013. — 192 с.
• Халафян А. А., Боровиков В. П., Калайдина Г. В. Теория вероятностей, ма-тематическая статистика и анализ данных. Основы теории и практика на компь-ютере. Statistica. Excel. Более 150 примеров решения задач. Учебное пособие. — М.: Ленанд. 2017. 320 с.

Темы

Data-driven-подход на примере задачи маршрутизации заявок в helpdesk Профилирование пользователей. Сегментация: unsupervised learning (clustering, LDA/ARTM), supervised (multi/binary classification) Связь бизнес-показателей и DS-метрик Uplift-моделирование Задача оттока: варианты постановки, возможные способы решения Задача look-alike Интерпретация прогнозов модели (SHAP): объясняем поведение модели на отдельных наблюдениях A/B-тестирование Интеграция

Лекции
2,00ч

Самостоятельная работа
3,00ч

Всего
5,00ч

Промежуточная аттестация 2,00 часа

Промежуточная аттестация проводится в форме отчета по результатам выполнения практического задания по дисциплинам и проверки преподавателем.