• 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.

• 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.

• 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.

• Управленческая компетентность руководителя, как фактор эффективности работы подразделения.
• Задачи и приоритеты руководителя. Управление через обратную связь.
• Практический менеджмент: баланс между делегированием полномочий, ответственности и организацией контроля. Структура эффективного делегирования.
• Организационные, экономические и социально-психологические методы оперативного управления. Их избирательность.
• Принципы управления по целям от постановки задач до контроля результатов.
• Внутрифирменные процедуры принятия управленческих решений. Индивидуальные и коллективные формы принятия решений. Оценка качества принятых решений.
• Управление изменениями. Работа с сопротивлением сотрудников. Как продвигать непопулярные решения?

Практикум: Развитие навыков управления по целям. Правильная постановка задач сотрудникам, эффективное делегирование, выбор методов контроля для различных управленческих ситуаций.

• Что такое управление эффективностью работы (Performance management). Ключевые показатели эффективности (KPI) подразделения и сотрудников: обзоры, стандарты, качественные показатели.
• Структурное подразделение как центр формирования прибыли и учета затрат. Оценка экономической эффективности деятельности подразделения.
• Что такое ключевые компетенции: корпоративные, управленческие, экспертные.
• Методика оценки персонала в системе управления эффективностью работы.
• Выявление резервов повышения эффективности. Задачи и ответственность руководителя.
• Виды и формы стимулирования труда в подразделении. Заработная плата в аспекте эффективности работы.

Практикум: Определение функций и KPI руководителей подразделений.

• 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.

• 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.

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.

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.