Курс “Data Science for Executives”
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: 8 занятий.
Формат обучения: онлайн.
Стоимость обучения: 200 000 тенге
Преподавательский состав:
- Бакыт Жаркынбай — M.S applied mathematics, Skolkovo Institute of Science and Technology, Moscow.
- Ержан Апсаттаров — M.S. in Computer Science and Data Analytics, Warwick University, Coventry, UK.
- Фархад Акимов — M.S. in Nuclear Engineering, Purdue University, USA.
Syllabus
| Занятие | Тема | Описание |
|---|---|---|
| Занятие 1 | Введение в Data science | — 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 |
| Занятие 2 | 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 |
| Занятие 3 | 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 |
| Занятие 4 | 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) |
| Занятие 5 | 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) |
| Занятие 6 | 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 |
| Занятие 7 | Машинное обучение в спорте | — Применение статистических методов в футболе — use-case судейство матчей по боксу с помощью CV (jabbr case) |
| Занятие 8 | 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 |
| Занятие 9 | Парсинг статичных сайтов с использованием Beautiful Soup | Агрегация данных и сбор данных с различных сайтов |
| Занятие 10 | Регрессионный анализ | Предсказание цен на недвижимость используя реальные данные Boston Housing dataset. |
| Занятие 11 | Классификация | Классификация объектов, субъектов и нахождение ответов в данных с помощью алгоритмов машинного обучения |
| Занятие 12 | Кластеризация | Кластеризация клиентов используя алгоритм K Nearest Neighbors. |