Анализ данных для руководителей проектов

В бизнесе ключевым фактором работы в парадигме data-driven называют количество решений, принимаемых на основе анализа данных. Это могут быть и улучшения сервисов, ценных для клиента, так и автоматизация бизнес-процессов для экономии ресурсов и повышения точности операций. Процесс аналитики тоже совершенствуется с помощью моделей машинного обучения. Программа "Анализ данных для руководителей проектов" познакомит слушателей с методологией работы над проектом, связанным с большими данными и машинным обучением.

Внедрение и использование цифровых технологий стало настоящим двигателем экономики, а данные, особенно большие данные, получили статус экономической категории. Благодаря данным появились бизнес-модели, новые профессии и, как следствие, новые подходы к процессам управления.

В data-driven-бизнесе задача управления данными становится критически важной, т. к. растет количество данных, растет и количество участников, которым эти данные нужны. На основе данных мы принимаем решение, выдавать ли клиенту кредит, блокировать ли сомнительную транзакцию, запускать ли новую фичу в мобильном банке. Но количество данных растет, продукты становятся все более сложными, и ручного труда уже недостаточно. Оптимизировать и автоматизировать многие процессы в кредитном скоринге, маркетинге и многих других сферах помогает искусственный интеллект и Data Science.

На программе преподаватели расскажут об основных задачах машинного обучения с классическими примерами использования регрессии, классификации, оценке качества полученных моделей, а также чем опасно переобучение. После чего будут представлены несколько популярных метрик качества моделей, в том числе точность и полнота. 

Далее поговорим о классическом обучении. Начнем с разбора основных шагов в решении задачи машинного обучения: подготовки данных, предобработки, построения модели, валидации и внедрения. Далее построим регрессию предсказания цены на подержанные автомобили Ford, посмотрим, как выглядит переобученная модель и поговорим про метрики качества. После чего перейдем к классификации предсказания дохода пользователей и на примере бинарной классификации изучим метрики качества, которые помогут понять нам, насколько хорошо работает модель. 

Изучив классические методы перейдем к нейронным сетям. Рассмотрим состав и работу основных элементов нейронной сети. На самом общем уровне будут представлены алгоритмы оптимизации, критерии успешной работы нейросети, а также – какие библиотеки сегодня используются, создадим и обучим простую нейросетевую модель классификации рукописных цифр.

Далее сосредоточимся на проекте. Сам процесс управления проектом с использованием технологий имеет свои особенности, от постановки задачи до набора команды. На этом этапе обучения мы обсудим ход проекта анализа данных: какие методологии управления существуют, какую выбирают для проектов; какой результат должен быть в каждой промежуточной точке, и какова в проекте роль и задача руководителя. После этого рассмотрим набор команды и возможные роли сотрудников.

• Готовность упорно учиться, искать информацию и много самостоятельно работать,
• Готовность на протяжении всего курса регулярно выделять достаточно времени учебе,
• Уверенное владение ПК: установка/удаление ПО, работа с текстовыми редакторами, браузером Google Chrome.

• Высшее образование
• Среднее профессиональное образование

• Готовность упорно учиться, искать информацию и много самостоятельно работать,
• Готовность на протяжении всего курса регулярно выделять достаточно времени учебе,
• Уверенное владение ПК: установка/удаление ПО, работа с текстовыми редакторами, браузером Google Chrome.