Data Science и машинное обучение для бизнес-аналитиков

Блок 1: Введение в Data Science и Machine Learning 

• Что такое Data Science и машинное обучение 
• Типовые задачи, которые можно решать с помощью машинного обучения 
• Что такое большие данные и какие ценности они несут для организаций 
• Data Driven подход для развития бизнеса 
• Существующие стандарты и практики DS проектов  
• Наиболее яркие и значимые примеры применения Data Science проектов
• Обзор успешных проектов по Big Data и Machine Learning в Украине и за рубежом

 
Блок 2: Бизнес анализ в проектах машинного обучения  

• Детальный обзор современного Data Science процесса и его этапов 
• Обзор и понимание основных терминов Data Science
• Основы машинного обучения и типы решаемых задач
• Выполнение этапа бизнес анализа в проектах машинного обучения 
• Особенности бизнес анализа для Data Science проектов 
• Новые сложности DS проектов и пути их преодоления 
• Workshop: Бизнес анализ и рекомендация решения c применением технологий Data Science и Machine Learning
• Этап исследования данных  
• Сложности, связанные с этапом Data Understanding
• Структуры данных и артефакты для перехода к началу проекта 
• Workshop: Выполнение этапа Исследование данных для DSML проекта

Блок 3: Начальная подготовка данных

• Основы понимания наборов данных, feature и целевых переменных
• Импорт и объединение данных
• Работы с некачественными данными
• Инструменты для обработки данных
• Workshop: Импорт и предварительная обработка данных​

​

Блок 4. Визуализация данных

• Походы и методики для визуализации данных  
• История визуализации, примеры лучших кейсов
• Типичные ошибки при визуализации
• Лучшие практики и руководства при проектировании визуализации
• Что такое Data Storytelling и зачем этот навык  
• Обзор инструментов для визуализации
• Инструмент Power BI для визуализации данных 
• Продвинутые методы визуализации
• Workshop 1: Визуализация данных с помощью Power BI и R ​

​

Блок 5: Решение задач с учителем

• Типы решаемых задач
• Общий подход для выполнения Supervised Learning
• Задачи регрессии и алгоритмы для их решения
• Задачи классификации и алгоритмы для их решения
• Оценка полученных моделей в задачах регрессии и классификации
• Статистические метрики для оценивания задач с учителем
• Визуализация качества работы модели
• Workshop 2: Решение задачи регрессии на примере определения стоимости
• Workshop 3: Решение задачи классификации на примере Employee / Customer Churn Rate Prediction 

Блок 6: Решение задач машинного обучения без учителя

• Обзор проблематики и типы решаемых задач в Unsupervised Machine Learning
• Разбор принципов работы популярных алгоритмов кластеризации
• Алгоритмы, подходы и сложности решения решения задач кластеризации
• Построение рекомендательных систем
• Решение задач мошенничества и нетипичного поведения
• Workshop 4: Модель решения задачи кластеризации

Блок 7: Имплементация моделей машинного обучения 

• Типовые архитектуры проектов Data Science
• Деплоймент моделей машинного обучения для дальнейшего использования 
• Управление проектами Data Science и применение Agile практик
• Workshop 5: Публикация модели в виде рабочего продукта
• Ресурсы с готовыми наборами данных
• Ресурсы с готовыми решениями
• Ресурсы для самостоятельного развития