Целевая аудитория

  • Менеджмент среднего звена и выше

  • Аналитики и специалисты по данным

  • IT/технические специалисты ответственные за интеграцию ML-решений

  • Руководители бизнес-развития

  • Продуктовые менеджеры

  • Операционные менеджеры

Программа

  • Введение в машинное обучение (Machine Learning, ML)

    8 ч.

    • Основная терминология, область применения и актуальность;

    • Типовые ML задачи;

    • Обучение с учителем: классы алгоритмов и разбор конкретных алгоритмов;

    • Обучение без учителя: классы алгоритмов и разбор конкретных алгоритмов;

    • Обучение с подкреплением: классы алгоритмов и разбор конкретных алгоритмов;

    • Повышение и понижение размерности

    • Демонстрация: создание модели (предсказание цены)

    • Data Science - процесс:

    • Поиск и источники данных;

    • Препроцессинг данных;

    • Дизайн признаков (feature engineering);

    • Выбор подходящего ML-алгоритма;

    • Тренировка модели.

    • Оценка результата:

    • Базовые метрики;

    • Агрегирующие метрики.

    • Обогащение данных:

    • Открытые источники;

    • Внутренние ресурсы.

    • Data science инструменты: основные языки программирования, ML-фреймворки и облачные сервисы

    • Практика: создание ML-модели с использованием облачного сервиса.

  • Введение в глубокое обучение (Deep Learning, DL)

    4 ч.

    • Основная терминология, область применения и актуальность;

    • Основы нейронных сетей. Персептрон;

    • Современные нейросетевые архитектуры;

    • Сверточные нейронные сети;

    • Рекуррентные нейронные сети;

    • Автоэнкодеры;

    • Data science инструменты: DL-фреймворки;

    • Практика/демонстрация:

    • Основы python;

    • Самостоятельная лабораторная работа (распознавание изображений с помощью нейронных сетей);

    • Обучение при распознавании изображений с помощью нейронных сетей.

  • Управление Data Science-процессом

    4 ч.

    • Постановка задач

    • Команда

    • Методологии (CRISP)

    • Интеграция в существующие процессы компании