Применение машинного обучения для анализа данных и прогнозирования
Формат обучения:
Открытая дата
Стремительное проникновение моделей искусственного интеллекта во многие сферы экономики несет в себе как возможности для развития компании, так и серьезные угрозы в случае неправильного их использования. В рамках курса – практикума разбираются особенности и возможности применения разных видов машинного обучения для анализа данных и прогнозирования, с учетом потенциальных угроз и возможностей. Слушатели научатся выбирать подходящие под свои задачи модели машинного обучения, готовить данные для обучения моделей, оценивать результаты.
4 дня
32 академических часа
Удостоверение
Есть вопросы? Свяжитесь с нами или позвоните по телефону (495) 698-63-64
Вид обучения
Курс повышения квалификации
Формат обучения
Дневной 46 800 руб.
Срок обучения — 4 дня
Продолжительность обучения — 32 часа
Дата и время
Открытая дата
Место проведения
г. Санкт-Петербург, ул. Петропавловская, д. 4, литер А. Станция метро «Петроградская».
Документы по окончании обучения
Образец Удостоверения о повышении квалификации Санкт-Петербург
Что входит в стоимость
Методический материал, кофе-паузы.Для кого предназначен
Менеджеров, маркетологов, экономистов, аналитиков, социологов, логистов, инженеров и других специалистов, которым приходится сталкиваться с проблемой анализа и прогнозирования данных и у которых есть потребность в приобретении навыка работы с моделями машинного обучения.Цель обучения
Научиться оценивать возможности применения моделей машинного обучения в текущей деятельности для анализа и прогнозирования данных.Особенности программы
Занятия проходят частично в компьютерном классе в формате интенсивных тренингов.
Результат обучения
В результате обучения слушатели:
- Получат представление об искусственном интеллекте, разновидностях моделей машинного обучения, условиях применения, возможностях и угрозах.
- Узнают: какие условия необходимо обеспечить, чтобы внедрить проект по машинному обучению в бизнес-процессы компании.
- Освоят особенности этапов процесса машинного обучения.
- Узнают как применять на практике алгоритмы машинного обучения.
- Узнают как подготовить данные для анализа, какие статистические приемы необходимо знать и уметь применять и интерпретировать.
- Освоят методику выполнения последовательности действий при построении модели машинного обучения.
- Ознакомятся на практике с построением модели машинного обучения для регрессии.
- Ознакомятся на практике с построением модели машинного обучения для классификации.
- Получат представление – как формулировать задачу программисту, что контролировать при ее выполнении, чтобы получить адекватный результат.
Программа обучения
День 1.
Искусственный интеллект и машинное обучение: базовые понятия и характеристика.
- Искусственный интеллект. Машинное обучение. Нейронные сети. Глубокое обучение. Отличие и взаимосвязь понятий.
- Разновидности машинного обучения. Условия применения.
- Области применения разных видов машинного обучения.
- Преимущества и недостатки разных видов машинного обучения.
- Кто и для чего может использовать в работе модели машинного обучения.
- Возможности для не программиста использовать модели машинного обучения в работе.
- Характеристика программных сред: Python, нейросети в среде R, чат-ботов ChatGPT, YandexGPT и аналогов. Достоинства, недостатки, перспективы использования и ограничения.
- Угрозы от применения моделей на базе искусственного интеллекта: риски действий злоумышленников, проблемы, связанные с непосредственным применением программ. Оценка последствий.
Условия для внедрения проекта по машинному обучению (ML-проект).
- Оценка диапазона возможностей для применения. Ограничения.
- Перечень условий, соблюдение которых необходимо для построения работоспособной модели машинного обучения.
- Требования к компетенциям специалистов, необходимых для использования моделей машинного обучения в текущей деятельности.
- Инфраструктура и информационная безопасность при внедрении машинного обучения.
- Где взять данные для проекта по машинному обучению.
- Точки контроля при использовании машинного обучения для оптимизации рабочих процессов.
- Управление ML-проектом.
Процесс машинного обучения.
- Как устроено машинное обучение.
- Задачи машинного обучения.
- Данные.
- Признаки.
- Алгоритмы.
- Виды машинного обучения:
- Классическое машинное обучение — обучение с учителем (supervised learning) и обучение без учителя/ самообучение (unsupervised learning).
- Обучение с подкреплением (reinforcement learning).
- Ансамбли.
- Нейросети и глубокое обучение.
День 2.
Алгоритмы машинного обучения: методы и практическая применимость.
- Что такое библиотека машинного обучения.
- Методы и модели машинного обучения для анализа и прогнозирования данных.
- Характеристика моделей для регрессии и классификации данных.
- Модели классификации — задача прогнозирования целевой категории (деление данных на две и более категории).
- Алгоритм обнаружения аномалий — задача поиска необычных точек данных.
- Модели регрессии — задача прогнозирования значений признака, измеренного в метрической шкале.
- Модели временных рядов — задача анализа и прогнозирования изменения значений показателя во времени.
- Методы кластеризации — задача обнаружения сходства исследуемых объектов, их сегментации.
Подготовка данных для анализа. Статистика, используемая в машинном обучении.
- Моделирование. Построение и проверка гипотез.
- Требования к исходной информации.
- Критерии и актуальность отбора значимых признаков для проведения машинного обучения.
- Требования к результату.
- Описательная статистика: требуемые базовые знания.
- Типы статистических данных.
- Меры центральной тенденции: среднее значение, медиана, мода. Проблема выбросов.
- Меры разброса данных: размах, стандартное отклонение, дисперсия, коэффициент вариации.
- Меры формы.
- Регрессионный анализ: последовательность шагов, условия правильности применения, правила оценки результатов.
День 3.
Методика выполнения задания: разбор последовательности действий.
- Определение проблемы, загрузка библиотек и данных.
- Анализ данных: распределение данных по классам, описательные статистики, визуализация.
- Первичная обработка данных и отбор признаков.
- Разбивка выборки на тестовую и обучающую.
- Обучение модели.
- Выбор лучшей модели для прогнозирования данных.
- Прогнозирование по лучшей модели.
- Интерпретация результатов.
Практикум: «Построение модели машинного обучения для регрессии».
- Пошаговое выполнение заданий на компьютере на базе готового набора данных с последующей оценкой результатов и подготовкой выводов под руководством эксперта.
День 4.
Практикум: «Построение модели машинного обучения для классификации».
- Пошаговое выполнение заданий на компьютере на базе готового набора данных с последующей оценкой результатов и подготовкой выводов под руководством эксперта в анализе данных в программной среде Python.
Занятия частично проводятся в компьютерном классе.
