Data Science for non-technical

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 і мати за 3 робочих дня (15 годин):

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. 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

Data Science не технічний курс