Дата старта курса: 24 декабря 2024
Продолжительность курса: 18 недель
Дата старта курса: 24 декабря 2024
Продолжительность курса: 18 недель
Machine Learning в бизнесе
Результат после курса: Научитесь не просто обучать модели, а приносить бизнесу измеряемую в деньгах пользу с помощью ML
60-70% успеха составляет доменная экспертиза
Участвовать
В работе DS процентов 60-70% успеха составляет доменная экспертиза. Это кстати еще одна причина почему не берут джунов (отсутствие экспертизы). Никто ведь не даст DS/ML-специалисту датасет, чтобы он фит-предикт сделал, да и задачи на практике формулируются совсем не как DS-задачи. Никто не скажет "сделай мне регрессию или классификацию на этом датасете"
В нашем курсе "ML в бизнесе" мы расскажем и покажем, как бизнес зарабатывает на DS. Курс для тех, кто освоил базу, а коммерческого опыта работы нет или недостаточно (junior и middle DS/ML-специалисты). Базовые знания включают в себя темы: математика и программирование, алгоритмы ML, онлайн и офлайн оценка качества. Эти темы как раз разбираем на курсе "База ML".
Для кого курс
Освоил базу ML
и хочешь дальше углубляться в машинное обучение
Нет коммерческого опыта в сфере ML
и хочешь попрактиковаться в применении ML на реальных кейсах
Хочешь больше коммерческого опыта в ML
или застрял на позиции джуна и чувствуешь нехватку экспертизы для дальнейшего карьерного роста
сможешь обосновать перед руководством, почему тебя стоит повысить
сможешь внедрять ML в реальные проекты и приносить пользу бизнесу
будешь увереннее чувствовать себя на собеседованиях
Формат курса
Курс рассчитан на 18 недель
по 1-1,5 часа контента в неделю (теория и практика)
по 1-1,5 часа контента в неделю (теория и практика)
Записанные видео лекции, а также онлайн вебинары для ответов от преподавателей на вопросы учащихся. 5 домашних заданий, 2 из которых в формате соревнования. Обучение проходит на платформе GetCourse
Участвовать
Введение:
Программа курса
1.
Введение: напоминание основ машинного обучения, обзор применений машинного обучения во взаимодействии бизнеса с клиентом и в оптимизации расходов бизнеса. Обзор отраслей, наиболее активно использующих машинное обучение
Модуль 1
Увеличение дохода
Увеличение дохода
2.
Рекомендательные системы
3.
Ценообразование на основе данных: smart pricing и dynamic pricing
Модуль 2
Минимизация рисков
Минимизация рисков
Модуль 3
Оптимизация бизнеса
Оптимизация бизнеса
6.
Детектирование аномалий или почему антифрод это не просто скоринг
9.
7.
Приоритизация расходов
8.
Автоматизация работы с помощью deep learning
Дополнительная тема: можно ли с помощью машинного обучения построить новый бизнес, и почему это не так просто
4.
Лидогенерация: таргетирование с помощью прогнозов вероятности целевого действия, uplift modelling и positive-unlabeled (PU) learning
5.
Скоринг клиентов: классическая задача оценки вероятности дефолта, скоринг мошенников и кастомные скоринги
Оптимизация работы персонала и процессов в компании
Тариф 2
Подробные разборы решения задач
Выбрать тариф
200 000 руб
Дополнительный обзор применений отдельно по областям: телеком, ритейл и e-commerce, финтех, промышленность и сельское хозяйство, райдтех, рекламные технологии, медиа
Карьерный блок: “От базы ML до тим-лида”
Карьерный блок: “От ML в бизнесе до топ-менеджмента”
Тариф 1
Бессрочный доступ к обновленным материалам
Тарифы
Преподаватели
Виктор Кантор
Работает с большими данными и искусственным интеллектом с 2010 года
Прошел путь от Data Scientist'а до топ-менеджера (Big Data VP)
Построил службу машинного обучения в «Яндекс.Такси»
Запустил Академию больших данных Mail.Ru
С декабря 2020 года руководит Big Data в МТС
Автор специализации «Машинное обучение и анализ данных» МФТИ и «Яндекса» на Coursera (200+ тысяч слушателей с 2016 года)
Читает лекции по машинному обучению в МФТИ и ВШЭ
Лауреат Forbes «30 до 30» 2020 года
Никита Зелинский
CDS МТС
Ex-CDO Сбербанк в корпоративном блоке (B2B)
Участвовал в запуске процесса Кредит за 7 минут, отвечая за моделирование PD и внедрение этих моделей в промышленную эксплуатацию,
проектирование части с оценкой риск-параметров
Кандидат физико-математических наук
14 лет коммерческого опыта в Data Science/ML
В Yandex.Terra занимался разработкой алгоритмов обработки временных рядов для задач сейсморазведки
В ДИТ Москвы руководил группой аналитиков для решения задач прогнозирования спроса и предложения на медицинские услуги в г. Москве.
