Этот курс можно
изучать очно!
Подробнее
Практикум: применение AI-технологий для анализа и прогнозирования данных
Артикул: СП13847
В эпоху цифровизации и больших данных искусственный интеллект и машинное обучение стали неотъемлемой частью бизнес-процессов. Компании всех масштабов активно внедряют технологии анализа данных для принятия обоснованных решений, оптимизации процессов и повышения конкурентоспособности.
Вид обучения
Формат обучения
Дата и время
Документы по окончании обучения
Образец Удостоверения о повышении квалификации Санкт-Петербург
Что входит в стоимость
Методический материал.Для кого предназначен
Менеджеров, экономистов, аналитиков, социологов, логистов, маркетологов, 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
Отработать на практику процедуру построения модели машинного обучения для анализа и прогнозирования данных.Особенности программы
Курс предоставляет слушателям реальные инструменты для работы с данными и построения прогнозных моделей. Это особенно важно для специалистов, чья деятельность связана с анализом информации и принятием решений на основе данных.
Курс ориентирован на широкий круг специалистов:
- Менеджеры получат инструменты для более точного прогнозирования бизнес-показателей.
- Маркетологи научатся анализировать поведение потребителей и оптимизировать рекламные кампании.
- Экономисты освоят современные методы финансового анализа.
- Аналитики расширят свой инструментарий для работы с данными.
- Социологи получат возможность более глубокого анализа социальных явлений.
- Логисты смогут оптимизировать цепочки поставок.
- Инженеры научатся прогнозировать технические параметры.
Результат обучения
В результате обучения слушатели:
- 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 выполенении, чтобы получить адекватный результат.
Программа обучения
День 1.
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 2.
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.