Data Science UA > Machine Learning practical course

Machine Learning практикум

Дмитро Гузенко та Вероніка Тамайо Флорес

Дмитро Гузенко, Data Analyst

Вероніка Тамайо Флорес, Head of Consulting, Data Science UA

23-24 листопада

з 10:00 до 19:00

Creative Quarter, Gulliver

Спортивна площа, 1А

Facebook

Event

Як правильно інтерпретувати дані, будувати моделі, тестувати теорії, прототипувати концепти? Для менеджерів та аналітиків даних важливо встигнути за всіма оновленнями, але часу для освоєння коду та нових бібліотек часто не вистачає. Тому ми створили курс «Machine Learning практикум/‎Практикум з машинного навчання» з Дмитром Гузенко та Веронікою Тамайо Флорес. На цьому курсі ви навчитеся користуватися інструментами для побудови моделей машинного навчання практично без коду.

Для кого цей курс:

  • аналітиків, які прагнуть розвиватися далі у машинному навчанні;
  • менеджерів, які хочуть розібратися з роботою алгоритмів без написання коду;
  • представників бізнесу, які прагнуть застосувати data-driven підхід у власній компанії.

Необхідне програмне забезпечення: 

  • необхідно мати власний ноутбук

Курс розроблений таким чином, щоб мінімізувати необхідність програмування, проте деякі мінімальні функції необхідно буде виконувати за допомогою Python і R.

  • Azure ML account
  • MS Power BI Desktop (English) 
  • DAX Studio
  • Microsoft R Open and RStudio (latest version)
  • Python (latest version)
  • Anaconda for Windows (latest version)

Дмитро Гузенко, Data Analyst
Дмитро має понад 20-років досвіду роботи в галузі автоматизації бізнес-процесів та впровадження систем ERP, 10-річний досвід роботи в системному аналізі та архітектурі бізнес-моделей, 4-річна експертиза управління даними для підвищення ефективності роботи компанії.

Має досвід роботи в галузі архітектури рішень, найкращих практик аналізу бізнес-аналізу для підвищення цінності для інвесторів.

Вероніка Тамайо Флорес, Head of Consulting, Data Science UA

У 2018 році закінчила IE Business School (Іспанія) за спеціальністю Business Analytics and Big Data. У минулому працювала в маркетинговій та діджитал аналітиці для рітейлу. Вероніка керує проектами із запровадження технологій data science та business intelligence в компаніях. Основна експертиза – бізнес аналіз, бізнес переклад (поєднання бізнесових та технічних навичок), ведення аналітичних проектів та розвиток бізнесу.

Спiкери

Дмитро Гузенко
Data Analyst

[:uk]nika[:]

Вероніка Тамайо Флорес
Head of consulting, Data Science UA

Програма курсу

23 листопада
Субота

Блок 1: Введення в Data Science і Machine Learning

  • Що таке Data Science та машинне навчання
  • Типові задачі, які можна вирішити за допомогою машинного навчання 
  • Що таке великі дані і яку цінність вони приносять організаціям 
  • Data-Driven підхід до розвитку бізнесу 
  • Існуючі стандарти і практики Data Science проектів  
  • Найбільш яскраві і значущі приклади застосування Data Science проектів
  • Огляд успішних проектів з Big Data і Machine Learning в Україні та за кордоном

Блок 2: Бізнес аналіз в проектах машинного навчання

  • Детальний огляд сучасного Data Science процесу і його етапів 
  • Огляд і розуміння основних термінів Data Science
  • Основи машинного навчання і типи вирішуваних завдань
  • Етап бізнес аналізу в проектах машинного навчання 
  • Особливості бізнес аналізу для Data Science проектів 
  • Нові складності DS проектів і шляхи їх подолання 
  • Workshop: бізнес аналіз і рекомендація рішення зі застосуванням технологій Data Science і Machine Learning
  • Етап дослідження даних 
  • Складнощі, пов’язані з етапом Data Understanding
  • Структури даних і артефакти для переходу до початку проекту
  • Workshop: Виконання етапу Дослідження даних для DSML проекту

Блок 3: Початкова підготовка та візуалізація даних

  • Основи розуміння наборів даних, фіч та цільових змінних
  • Імпорт і об’єднання даних
  • Роботи з неякісними даними
  • Інструменти для обробки даних
  • Workshop: Імпорт і попередня обробка даних

Блок 4. Візуалізація даних для розвідувального аналізу

  • Підходи і методики для візуалізації даних в розвідувальному аналізі даних  
  • Основні види візуалізації для розуміння даних
  • Типові помилки під час візуалізації
  • Кращі практики та керівництва при проектуванні візуалізації
  • Power BI для візуалізації даних
  • Просунуті методи візуалізації
  • Практика: Візуалізація даних за допомогою Power BI і R
24 листопада
Неділя

Блок 5: Рішення задач Supervised Machine Learning

  • Теорія і принципи роботи машинного навчання
  • Типи вирішуваних завдань
  • Рішення задач з Supervised Machine Learning
  • Типи метрик для оцінки рішення
  • Статистичні метрики для оцінювання завдань
  • Workshop: Розробка моделі передбачення вартості
  • Workshop: Розробка моделі передбачення звільнення співробітника

Блок 6: Рішення задач Unsupervised Machine Learning

  • Огляд проблематики і типи вирішуваних завдань в Unsupervised Machine Learning
  • Алгоритми, підходи і складності рішення задач кластеризації
  • Побудова рекомендаційних систем
  • Рішення задач шахрайства і нетипової поведінки
  • Workshop 4: Решение задачи кластеризации

Блок 7: Імплементація моделей машинного навчання

  • Імплементація моделей машинного навчання для подальшого використання 
  • Приклади архітектур повноцінного проекту 
  • Workshop 5: Публікація моделі у вигляді робочого продукту
  • Ресурси з готовими наборами даних
  • Ресурси з готовими рішеннями
  • Ресурси для самостійного розвитку

Квитки

Sold out
₴

Знижки

25% – студентам. Щоб отримати знижку, необхідно надіслати фото студентського на info@data-science.com.ua.

5% — від 2 квитків
7% — від 3 квитків
10%— від 5 квитків

Кар’єрний партнер

[:uk]Work UA[:]