Назад

Практикум: применение технологий искусственного интеллекта для анализа и прогнозирования данных

32200,00
р.
Записаться на курс

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.

Документ по окончании обучения: Удостоверение о повышении квалификации

Количество часов: 16 часов

Формат обучения: Очно или онлайн

Город проведения: Санкт-Петербург

Особенности программы
Результат обучения
Программа обучения
Преподаватели

Особенности программы

Программа 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.
Программа ориентирована 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 выполнении, 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.

Преподаватели

Преподаватель

К.э.н., доцент кафедры статистики и эконометрики СПбГЭУ, автор ряда учебников по статистике и эконометрике. Член Правления Российской ассоциации статистиков (РАС), Председатель регионального отделения РАС по Санкт-Петербургу. Эксперт в области анализа данных.