Data Science for non-technical

Искусственный интеллект и машинное обучение способны трансформировать целые отрасли. Компании в отраслях, ориентированных на потребителей, таких как банковское дело, здравоохранение и электронная коммерция, которые не используют эти новые инструменты, сегодня рискуют потерпеть неудачу, поскольку все человечество движется к автоматизированному будущему.
Мы понимаем, что время важно, поэтому этот курс короткий и интенсивный, чтобы вы могли получить всю необходимую информацию в кратчайшие сроки.

РЕГИСТРАЦИЯ ИНСТРУКТОРЫ КУРСА

Что вы будете понимать и иметь за 3 рабочих дня (15 часов):

как использовать машинное обучение для укрепления вашей организации;
навыки, которые вам необходимы для лучшего понимания и управления командой данных для удовлетворения потребностей вашей организации;
понимать значение кластеризации, компьютерного зрения, обработки естественного языка (НЛП), глубокого обучения;
как выполнить базовый эксперимент по машинному обучению, понять, что такое машинное обучение и как интерпретировать его результаты;
способы анализа и визуализации ваших данных с помощью инструментальных панелей;
как использовать математические инструменты для интерпретации данных, понять статистическую значимость и как проводить A / B-тесты;
понимание источников данных, которые ваша компания может использовать, как хранить эти данные и как писать базовые SQL-запросы для извлечения данных из базы данных.

Data Science не технический курс

План обучения:

1.1. What is Data Science:

Difference between Data Analyst, Data Scientist, Data Engineer jobs
Data science project workflow
Skills, tools, frameworks

1.2. What is Machine Learning:

Typical problems that can be solved with ML approaches
Difference between Supervised and Unsupervised learning
How to estimate the “goodness” of ML model
Computer Vision, NLP, Speech Recognition, …
ML models deployment

1.3. Data science management:

Key positions, roles, team structure
Data scientist recruitment
Why is it hard to estimate time on a DS (ML/DL) project and why is standard SCRUM not working?

2.1. Data visualization:

Types of charts and how to read them
Business Inteligence: Power BI

2.2. Data analytics:

Basic statistics recap
Approximation Results and Confidence Intervals
Signicance testing, A/B tests, Simpson paradox

3. Data Collection and Storage:

Why data is so valuable and expensive?
Big Data
Google Analytics
Databases, MySQL, Google Big Query, etc.
SQL: basic queries + mysql client
Google SpreadSheets on steroids: direct import data from DB, management from Python, bussiness processes automation

Для кого этот курс:

Этот курс является отличным ресурсом для менеджеров и бизнес-лидеров, которые ищут возможность использовать науку о данных в бизнесе, но все еще не имеют большого опыта в области анализа данных или просто хотят улучшить свои навыки.

Он специально разработан для руководителей, product owners, руководителей и менеджеров проектов и всех, кому необходимо правильно ставить задачи для своих data teams и правильно читать их результаты.

Кроме того, это было бы отличной отправной точкой для людей, которые собираются начать свою карьеру в науке о данных.