Машинное обучение (Machine Learning) для аналитиков

Код : AI-004

Продолжительность очно : 40 ак.ч.

Продолжительность VILT : 40 ак.ч.

Формат обучения : очно, Virtual Instructor-Led Training - ONLINE

О курсе

Курс Machine Learning для аналитиков — это интенсивная практическая программа, направленная на освоение методов анализа данных и машинного обучения. Слушатели научатся применять ML для решения реальных бизнес-задач: прогнозирования, классификации, кластеризации и анализа временных рядов.

Программа курса машинного обучения и анализа данных построена на примерах из различных областей экономики, в том числе ритейла, финтеха и маркетинга. Вы освоите полный цикл Data Science: от сбора и очистки данных до построения и внедрения моделей.

Слушатели научатся применять ML для анализа данных. В ходе курса слушатели приобретут навыки оптимизации и повышения качества подготовки отчетов и аналитических материалов, выявления закономерностей и надзорных факторов.

Приобретаемые навыки

Слушатели освоят методы машинного обучения для решения рабочих задач. Практические навыки, которые вы получите:

  • Построение и валидация моделей машинного обучения для реальных данных
  • Работа с библиотеками Python: Pandas, NumPy, Scikit-learn, TensorFlow, Keras
  • Анализ данных и выявление скрытых закономерностей в бизнес-показателях
  • Создание ML-моделей для прогнозирования продаж, оттока клиентов и LTV
  • Визуализация результатов анализа с помощью Matplotlib и Seaborn
  • Подготовка и очистка данных для машинного обучения
  • Оценка бизнес-эффективности ML-моделей

Программа

1. Задачи машинного обучения. Библиотеки Python для машинного обучения: Matplotlib, Seaborn, Scikit-learn, TensorFlow, Keras, NLTK, Natasha, Pandas
2. Признаки и работа с ними
3. Методы предобработки и выделения признаков в анализе текстов
4. Эмбеддинги в анализе текстов и извлечение именованных сущностей
5. Валидация и оценка качества моделей
6. Методы регрессии
7. Методы классификации
9. Методы кластеризации
10. Методы снижения размерности
11. Методы анализа временных рядов
12. Ансамбли
13. Обзор современных предобученных языковых моделей

Задать вопрос