Онлайн-Тренінг "Data Science та машинне навчання для бізнес-аналітиків" 

Детальна програма

​

Блок 1: Вступ до Data Science та Machine Learning 

• Що таке Data Science та машинне навчання 

• Типові завдання, які можна вирішувати за допомогою машинного навчання.

• Що таке великі дані та яку цінність вони несуть для організацій 

• Data Driven підхід для розвитку бізнесу 

• Існуючі стандарти та практики DS проектів  

• Найбільш яскраві та значущі приклади застосування Data Science проектів

• Огляд успішних проектів з Big Data та Machine Learning в Україні та за кордоном

 
Блок 2: Бізнес-аналіз у проектах машинного навчання  

• Детальний огляд сучасного Data Science процесу та його етапів 

• Огляд та розуміння основних термінів Data Science

• Основи машинного навчання та типи розв'язуваних завдань

• Виконання етапу бізнес-аналізу у проектах машинного навчання 

• Особливості бізнес-аналізу для Data Science проектів 

• Нові складності DS проектів та шляхи їх подолання 

• Workshop: Бізнес-аналіз та рекомендація рішення із застосуванням технологій Data Science та Machine Learning

• Етап дослідження даних  

• Складнощі, пов'язані з етапом Data Understanding

• Структури даних та артефакти для переходу до початку проекту 

• Workshop: Виконання етапу дослідження даних для DSML проекту

  

Блок 3: Початкова підготовка даних

• Основи розуміння наборів даних, feature та цільових змінних

• Імпорт та об'єднання даних

• Роботи з неякісними даними

• Інструменти для обробки даних

• Workshop: Імпорт та попередня обробка даних ​

​

Блок 4. Візуалізація даних

• Походи та методики для візуалізації даних  

• Історія візуалізації, приклади найкращих кейсів

• Типові помилки під час візуалізації

• Найкращі практики та керівництва при проектуванні візуалізації

• Що таке Data Storytelling і навіщо ця навичка  

• Огляд інструментів для візуалізації

• Інструмент Power BI для візуалізації даних 

• Просунуті методи візуалізації

• Workshop 1: Візуалізація даних за допомогою Power BI та R  ​

​

Блок 5: Розв'язання завдань із учителем

• Типи розв'язуваних завдань

• Загальний підхід до виконання Supervised Learning

• Завдання регресії та алгоритми для їх вирішення

• Завдання класифікації та алгоритми для їх вирішення

• Оцінка отриманих моделей у задачах регресії та класифікації

• Статистичні метрики для оцінювання завдань із учителем

• Візуалізація якості роботи моделі

• Workshop 2: Розв'язання задачі регресії на прикладі визначення вартості

• Workshop 3: Розв'язання задачі класифікації на прикладі Employee / Customer Churn Rate Prediction  

 

Блок 6: Розв'язання задач машинного навчання без учителя

• Огляд проблематики та типи розв'язуваних задач у Unsupervised Machine Learning

• Розбір принципів роботи популярних алгоритмів кластеризації

• Алгоритми, підходи та складності вирішення завдань кластеризації

• Побудова рекомендаційних систем

• Вирішення завдань шахрайства та нетипової поведінки

• Workshop 4: Модель розв'язання задач кластеризації

 

Блок 7: Імплементація моделей машинного навчання 

• Типові архітектури проектів Data Science

• Деплоймент моделей машинного навчання для подальшого використання 

• Управління проектами Data Science та застосування Agile практик

• Workshop 5: Публікація моделі у вигляді робочого продукту

• Ресурси з готовими наборами даних

• Ресурси з готовими рішеннями

• Ресурси для самостійного розвитку

​

Додаткова інформація

​

E-mail: ArtofBA@i.ua

Телефон: +38 050 272 16 25