Data Science, Analytics and AI course 2019
20 й 21 квітня відбудеться курс Data Analytics and AI 2019, під час якого Олександр Романко розповідатиме про основи аналізу даних, побудову моделей, досвід AI у IBM Canada.
Олександр Романко працює старшим науковим співробітником в IBM Canada, викладає в Університеті Торонто, УКУ (Український Католицький Університет) і KSE (Kyiv School of Economics).
Олександр отримав докторський та магістерський ступені у галузі комп’ютерних наук в Університеті МакМастер (Канада), магістерський ступінь з економіки в Карловому Університеті (Чеська Республіка) і диплом спеціаліста Сумського державного університету.
За два дні курсу ви:
– навчитеся впорядковувати та “чистити” дані;
– будувати моделі за допомогою Python;
– навчитеся критично аналізувати результати моделювання;
– зможете приймати рішення на основі отриманих результатів.
Мова курсу: українська, слайди і пояснення до Python прикладів англійською
Для кого розроблено курс:
– junior — middle розробників;
– бізнес та фінансових аналітиків;
– junior data scientists;
– менеджерів, які хочуть працювати з даними;
– студентів.
Запрошені спікери
Вероніка Тамайо Флорес
Head of consulting, Data Science UA
Олександр Савсуненко
Head of AI Lab, Skylum Software, PhD
Marketing manager, Skylum Software
Програма курсу
День 1
1. Introduction to data science and analytics
- Data science concepts
- Application areas
2. Getting data into Python
- Working with CSV and JSON format/files
- Web-scraping in Python
- Using APIs in Python (Twitter API, New York Times API, etc.)
- Using cloud AI services from Python
3. Machine Learning I – linear and logistic regressions
- Modeling process and machine learning
- Optimization for regression modeling, data science and AI
- Linear regression
Machine Learning I – linear and logistic regressions
- Logistic regression
- Regression case studies in Python
День 2
1. Machine Learning II – advanced classification and clustering
- Classification (decision trees, SVM, kNN)
- Clustering (K-means, Fuzzy C-means, Hierarchical Clustering, DBSCAN)
- Association rules
- Ensemble methods (random forests, Xgboost)
- Machine learning case studies in Python
2. Cognitive computing and artificial intelligence
- Text analytics and Natural Language Processing (NLP)
- Neural networks and brief introduction to deep learning
- Spatio-temporal analytics
- Cognitive computing case studies in Python
3. Visual analytics and storytelling based on analytics
- Visual analytics and visualizations
- Validating analytics
- Storytelling based on analytics
- Decision-making based on analytics