Общая информация:
Широкое распространение цифровых технологий привело к созданию огромного количества цифровых данных. Сейчас науки о данных применяются в финансах, спорте, образовании, медицине и многих других сферах. Науки о данных могут найти широкое применение и в госуправлении для улучшения процесса принятия государственных решений.
Данный курс предоставит управленцам и менеджерам стратегии и рекомендации о том, как извлечь наибольшую пользу от имеющихся данных на примере реальных примеров применения машинного обучения в бизнесе. Курс затрагивает такие вопросы как: основные виды машинного обучения; какие необходимы данные и вычислительные ресурсы для каждого отдельного алгоритма; как наладить весь процесс от получения данных до генерации прогнозов.
Продолжительность курса:
12 занятий
Преподавательский состав:
1. Бакыт Жаркынбай
M.S applied mathematics, Skolkovo Institute of Science and Technology
2. Ержан Апсаттаров
M.S. in Computer Science and Data Analytics, Warwick University, Coventry, UK
3. Фархад Акимов
M.S. in Nuclear Engineering, Purdue University, USA
— Что такое data science: структура, разделы (NLP, Computer Vision, Классический ML), какие задачи можно решить с помощью data science.
— Данные: виды, особенности, структура.
— Анализ данных в идеале против реальной жизни
— Экспериментальный план и наблюдательный анализ
— Что может пойти не так? Проблемы
Базовые принципы машинного обучения
— Статистика в примерах
— Введение в машинное обучение, принцип работы, виды
— Какие результаты можно получить в экспериментах машинного изучения
— Разница между машинным обучением и традиционной статистикой
Как создать команду Data Science
— В каких случаях вам нужна команда специалистов по данным
— Квалификации Дата-Инженера
— Квалификации Аналитика Данных
— Квалификации Менеджера в области анализа данных
— Как найти команду специалистов по обработке данных
— Как управлять командой
Машинное обучение в производстве
— Use-case Severstal (обнаружение дефектов на стальных листах с помощью Computer Vision)
— Use-case Bosch (Предсказание о том, какие конвейерные детали не пройдут проверку качества)
— Use-case Mercedes (Техники уменьшения объема данных, для более быстрого тестирования автомобилей)
Машинное обучение в медицине
— Use-case blindness (Выявление диабетической ретинопатии, чтобы остановить слепоту на ранней стадии )
— Use-case pneumonia (Предсказание пневмонии у пациентов)
— Use-case cancer (Предсказание раковых опухолей)
Машинное обучение в социальной сфере и МЧС
— Use-case применение машинного обучения, для приоритизации семей, которым нужна адресная помощь (Коста-Рика)
— Предсказание вероятности начало землетрясений
Машинное обучение в спорте
— Применение статистических методов в футболе
— use-case судейство матчей по боксу с помощью CV (jabbr case)
Машинное обучения для прогнозирования временных рядов
— Use-case: Прогнозирование количества покупок каждого отдельного вида товаров в отделениях супермаркета Walmart
— Use-case: Прогнозирование интернет трафика веб-страницы на примере Wikipedia
Парсинг статичных сайтов с использованием Beautiful Soup
Агрегация данных и сбор данных с различных сайтов
Предсказание цен на недвижимость используя реальные данные Boston Housing dataset.
Классификация объектов, субъектов и нахождение ответов в данных с помощью алгоритмов машинного обучения
Кластеризация клиентов используя алгоритм K Nearest Neighbors.
Спасибо
Ваш комментарий
был успешно
отправлен