Новинка

Доступно в формате
онлайн-трансляции!

Перейти

Применение машинного обучения для анализа данных и прогнозирования

  • Курс повышения квалификации
Формат обучения:    Очно Онлайн
Санкт-Петербург, 4 - 7 марта 2024 Другие даты

Артикул: СП11382

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

Стоимость участия

Количество участников:
или введите:
скидка:
нет
Дата оплаты:
скидка:
Стоимость участия:
46 800 ₽
 Экономия:
 

Вид обучения

Курс повышения квалификации

Формат обучения

Дневной 46 800 руб.
Срок обучения — 4 дня
Продолжительность обучения — 32 часа

Дата и время

4 - 7 марта 2024 Другие даты
с 10:00 до 17:30

Место проведения

г. Санкт-Петербург, ул. Петропавловская, д. 4, литер А. Станция метро «Петроградская».


Документы по окончании обучения

Удостоверение
Образец Удостоверения о повышении квалификации Санкт-Петербург
По итогам обучения слушатели, успешно прошедшие итоговую аттестацию по программе обучения, получают Удостоверение о повышении квалификации в объеме 32 часов (в соответствии с лицензией на право ведения образовательной деятельности, выданной Департаментом образования и науки города Москвы).

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.

Заказать обратный звонок

×

Сайт УЦ Финконт использует cookies. Подробнее »

Продолжая работу с сайтом, Вы выражаете своё согласие на обработку Ваших персональных данных.

Отключить cookies Вы можете в настройках своего браузера.

http://www.finkont.ru/training/all/primenenie-mashinnogo-obucheniya-dlya-analiza-dannykh-i-prognozirovaniya-kurs-v-spb/?date=04.03.2024