Data Science i Maszynowe uczenie dla menadżerów

Celem szkolenia jest przybliżenie kadrze menadżerskiej dziedziny Data Science i maszynowego uczenia. Prezentowany na szkoleniu materiał obejmuje nietechniczne wprowadzenie do tematyki. Główny nacisk położony został na przedstawienie procesu analitycznego w formie i zakresie pozwalającej na zrozumienie metod i możliwości ich wykorzystania do rozwiązywania problemów biznesowych. Szkolenie zaczyna się od wprowadzenia do terminologii, przeglądu narzędzi i problemów jakie rozwiązujemy z wykorzystaniem tych metod. Następnie omawiamy proces Data science w biznesie, poszczególne elementy z naciskiem na problemy i wyzwania jakie towarzyszą każdemu z jego składowych. W trzeciej części skupiamy się problemach jakie rozwiązujemy za pomocą maszynowego uczenia i przedstawiamy algorytmy maszynowego uczenia jakie są wykorzystywane do ich rozwiązania. Ostatnia cześć szkolenia obejmuje warsztat w ramach którego przybliżamy uczestnikom praktyczne elementy maszynowego uczenia i studiujemy wybrane przypadki i ich rozwiązania. Wspólnie z uczestnikami analizujemy rozwiązania w środowisku R i przechodzimy przez kolejne elementy procesu analizując wyniki.

Usystematyzujesz swoją wiedzę z obszaru data science,
Poznasz metody i narzędzia wykorzystywane w maszynowym uczeniu
Dowiesz się jakie korzyści przynoszą nowe metody i jak można je wykorzystać przy podejmowaniu decyzji
Dowiesz się jak zarządzać procesem analitycznym w organizacji
Poznasz algorytmy ML i dowiesz się do jakich problemów można je wykorzystać
Dowiesz się czym jest Deep Learning i jakie problemy możemy za jego pomocą rozwiązać
Z pomocą case study zobaczysz jak wygląda cały proces analityczny i jak wygląda workflow

Wprowadzenie czyli myślenie w kategoriach Data Science
- Czym jest Data science i machine learning
- Interdyscyplinarność i Big data
- Koncepcje i stosowane pojęica
Narzędzia data science i maszynowego uczenia
- Narzędzia z perspektywy menadżera
- Narzędzia programistyczne wykorzystywane w zespołach data science
- Technologie które są dostępne i ich łączenie jako element sukcesu projektu
- Data Science i Big data
Zarządzanie projektem data science
- Rozkładamy projekt data science na części pierwsze
- CRISP-DM & SEMMA
- Analiza projektu pod kątem biznesowym
- Zbieranie danych – narzędzia, pipelines
- Przygotowanie danych
- Budowa modelu i analiza wyników
- Analiza możliwych problemów
- Wizualizacja i efektywna prezentacja wyników
Przegląd algorytmów maszynowego uczenia
- Dobór algorytmu do problemu
- Uczenie z nadzorem i bez nadzoru
- Zbiory uczące i treningowe
- Testowanie algorytmów i walidacja wyników
- Przeuczenie i Bias-Variance kompromis
- Mierzenie jakości modeli
Przygotowanie danych
Modelowanie predykcyjne – algorytmy i wyzwania
- Regresja liniowa i nieliniowa
- Drzewa regresji
- Sieci neuronowe
Algorytmy klasyfikacyjne
- Regresja logistyczna
- KNN
- Drzewa decyzyjne
- SVM
- Sieci neuronowe
- Naive Bayes
- Ensemble learning – xgboost
Uczenie bez nadzoru
- Klastrowanie, kmeans i inne metody
- Analiza asocjacji – algorytm apriori
- Redukcja wymiaru
Deep Learning
- Nowy dział czy tylko pojęcie
- Możliwości i wyzwania wykorzystania deep learning w biznesie
- Aktualne zastosowania i możliwości
- Algorytmy deep learning
Problemy biznesowe jakie rozwiązujemy za pomocą maszynowego uczenia
- Prognozowanie churn za pomocą algorytmów klasyfikacyjnych
- Prognozowanie sprzedaży za pomocą algorytmów analizy szeregów czasowych
- Segmentacja klientów
- Wykrywanie anomalii