Data Science MBA

Иногда возникает потребность узнать больше про возможности инструментов машинного обучения и анализа больших данных, про решение конкретных бизнес-задач, про необходимые данные и экспертизу, про все, что Вам необходимо знать, чтобы успешно применять аналитику и данные в Вашем бизнесе в роли менеджера, заказчика или владельца бизнеса. На помощь приходя курсы MBA по анализу данных. Если вы хотите самостоятельно всё изучить, но не знаете с чего начать, то предлагаем рассмотреть учебный план по данной тематике от Билайна.

Кстати, про курсы и прочие ресурсы по бигдате и анализу данных можно почитать здесь.

1. Машинное обучение: мифы и реальность

  • Как работает машинное обучение: почему машинное и почему обучение
  • Основные понятия машинного обучения (объекты, признаки)
  • Какие данные нужны, обучение с учителем и без учителя
  • Какой объем данных необходим: репрезентативность выборки
  • Классические задачи машинного обучения (классификация, кластеризация, регрессия)
  • Типы задач, решаемых с помощью машинного обучения
  • Наиболее популярные алгоритмы и методы
  • Инструменты машинного обучения: opensource и вендорские решения, достоинства и недостатки
  • 2. Машинное обучение, применение в бизнесе

  • Оценка качества и применимости моделей, проверка на переобучение и устойчивость
  • Важность бизнес постановки задачи и определения целевой переменной
  • Do’s & Don’ts при применении машинного обучения в реальных задачах
  • Предсказание склонности к дефолту по кредиту в банковском скоринге
  • Предсказании склонности к покупке в интернет магазине
  • Профилирование клиентской базы: пол, возраст, доход
  • Предсказание вероятности выплат в страховой телематике
  • 3. Анализ социальных сетей

  • Базовые понятия теории графов
  • Базовые алгоритмы на графах и основные возможности графового анализа
  • Инструменты и методы визуализации графов для применения в бизнесе
  • Выделение лидеров мнений в компаниях
  • Как работает рекомендация друзей в социальной сети (связь теории графов и машинного обучения)
  • Выделение сообществ в социальных сетях
  • Эффективное планирование заданий и процессов с помощью теории графов
  • 4. Рекомендательные системы

  • Методы построения рекомендательных систем: коллаборативная фильтрация, item-based, user-based подходы
  • Основные возможности рекомендательных систем
  • Оценка качества рекомендательной системы
  • Проблемы холодного старта в рекомендательных системах или как начать с нуля
  • Построение рекомендательной системы фильмов
  • Построение рекомендательной системы интернет-магазина
  • Примеры успешных рекомендательных систем
  • 5. Анализ текстов

  • Задачи текстовой аналитики: текущие возможности и ограничения искусственного интеллекта
  • Методы автоматической обработки текстов
  • Особенности обработки больших объемов текстов
  • Определения эмоциональной окраски текста
  • Анализ отзывов на базе технологии компании Google
  • Задачи тематического моделирования
  • Выделение имен, названий из публикаций
  • Классификация спама
  • 6. Анализ Больших Данных

  • Обзор экосистемы Hadoop и компонентов, в нее входящих
  • Как Hadoop хранит и обрабатывает данные (MapReduce, HDFS)
  • Большие данные: достоинства и вызовы
  • Как эффективно работать с большими данными (подготовка, выгрузка, расчет): small data vs. big data
  • Особенности машинного обучения на больших данных (Large Scale Machine Learning)
  • Big Data: для каких задач?
  • 7. Programmatic реклама

  • Устройство и работа экосистемы RTB
  • Бизнес-модель RTB
  • Архитектура DMP – системы, необходимые компоненты и компетенции
  • Построение профилей пользователей на основе посещения веб-страниц
  • Проблемы и методы идентификации пользователей в сети: cookie-matching, pixel-tag
  • Роль стандартизация в RTB
  • Управление РТБ компаниями и оценка их эффективности
  • Основные игроки на рынке RTB и их особенности
  • 8. Deep learning, анализ изображений и видео

  • Отличие подходов Deep Learning от классического машинного обучения
  • Применение нейронных сетей в задачах анализа текстов
  • Применение нейронных сетей в области обработки изображений и видео (NeuroNet, DeepDream)
  • Распознавание изображений покупателя для таргетированных рекомендаций
  • Распознавание интонации голоса в записях колл центра
  • 9. Рынок данных

  • Правовые основы обработки и хранения своих и чужих данных
  • Открытые данные: возможности и вызовы
  • Интеграторы данных: проблема метчинга и обезличивания
  • Данные социальных сетей: мифы и реальность
  • Основные игроки на рынке данных и их специфика
  • 10. Компетенция работы с данными и аналитики внутри компании

  • Организационная структура функции аналитики: от данных к рынку
  • Основные вызовы time to market и их решения
  • Подбор и мотивация команды
  • Хранение и быстрое получение данных, решение правила 80/20
  • Специфика рынка покупателей данных и аналитики
  • Особенности перехода к Data Driven компании: стратегия, бизнес-кейс, работа с внутренними заказчиками
  • Data Scientist # 1

    Машинное обучение, большие данные, наука о данных, анализ данных, цифровой маркетинг, искусственный интеллект, нейронные сети, глубокое обучение, data science, data scientist, machine learning, artificial intelligence, big data, deep learning

    Данные — новый актив!

    Эффективно управлять можно только тем, что можно измерить.
    Copyright © 2016-2021 Data Scientist. Все права защищены.