Data Science для менеджерів

Зараз в кожній компанії або бізнесі існує величезна кількість даних, які мають велику цінність, якщо знати як ними користуватися. Саме тому ми розробили цей курс для тих, хто йде в ногу з часом, розуміє цінність даних і хоче підвищити прибутковість своєї компанії. Реєструйтеся на наш курс і ви отримаєте базові знання як впровадити data science у себе в компанії.

Штучний інтелект і машинне навчання здатні трансформувати цілі галузі. Компанії в галузях, орієнтованих на споживачів, таких як банківська справа, охорона здоров’я і електронна комерція, які не використовують ці нові інструменти, сьогодні ризикують зазнати невдачі, оскільки все людство рухається до автоматизованого майбутнього.

Ми розуміємо, що час важливій, тому цей курс короткий та інтенсивний, щоб ви могли отримати всю необхідну інформацію в найкоротші терміни.

РЕЄСТРАЦІЯ НА КУРС ІНСТРУКТОРИ КУРСА

Що ви будете розуміти та вміти після курсу:

як використовувати машинне навчання для зміцнення вашої організації;
навички, які вам необхідні для кращого розуміння та управління командою даних для задоволення потреб вашої організації;
розуміти значення кластеризації, комп’ютерного зору, обробки природної мови (НЛП), глибокого навчання;
як виконати базовий експеримент по машинному навчанню, зрозуміти, що таке машинне навчання і як інтерпретувати його результати;
способи аналізу і візуалізації ваших даних за допомогою інструментальних панелей;
як використовувати математичні інструменти для інтерпретації даних, зрозуміти статистичну значущість і як проводити A / B-тести;
розуміння джерел даних, які ваша компанія може використовувати, як зберігати ці дані і як писати базові SQL-запити для отримання даних з бази даних.

Навчальний план:

1.1. Що таке Data Science:

Різниця між спеціальностями аналітика даних, дата саєнтиста та інженера даних
Структура проекту з обробки даних
Навички, інструменти, фреймворки

1.2. Що таке машинне навчання:

Типові проблеми, які можна вирішити за допомогою підходів ML
Різниця між контрольованим та неконтрольованим навчанням (Supervised and Unsupervised learning)
Як оцінити “якість” моделі ML
Комп’ютерний зір, НЛП, розпізнавання мови, та інші важливі теми
Розгортання моделей ML

1.3. Управління data science:

Ключові посади, ролі, структура команди
Набір спеціалістів з обробки даних
Чому складно розрахувати час на проект DS (ML / DL) і чому стандартний SCRUM не працює?

2.1. Візуалізація даних:

Види діаграм та способи їх правильного читання
Бізнес-аналітика: Power BI

2.2. Аналіз даних:

Підсумок базової статистики
Результати наближення та довірчі інтервали
Тестування значень, A / B тести, парадокс Сімпсона

3. Збір та зберігання даних:

Чому дані такі цінні та дорогі?
Великі дані (Big Data)
Google Analytics
Бази даних, MySQL, Google Big Query тощо.
SQL: основні запити + клієнт mysql
Google SpreadSheets на максималках: прямий імпорт даних з БД, управління з Python, автоматизація бізнес-процесів

4. Big Data:

Big Data?
AI (artificial intelligence)
IoT (internet of things)
Business Cases

Data Science для менеджерів