Как решать бизнес-задачи с помощью кластеризации

Видеокурс

Для верного анализа бизнес-процессов часто не хватает традиционных инструментов аналитиков. Курс поможет усилить свою экспертность и освоить алгоритмы кластеризации. По окончании обучения вы сможете комплексно подходить к решению бизнес-задач и уверенно использовать алгоритмы машинного обучения для поиска скрытых зависимостей в данных.

Курс будет полезен аналитикам, владельцам бизнеса и новичкам в программировании. Для прохождения требуются базовые знания Python, навыки работы с библиотеками Pandas и NumPy, понимание основ бизнес-аналитики. В начале занятия вы повторите этот материал вместе с экспертом.

Спикер: Илья Братеньков, консультант одной из компаний Big4. Занимается управлением рисками: строит модели прогнозирования движения денежных средств с помощью Python, проводит оценки валютных, товарно-сырьевых и процентных рисков, применяет алгоритмы машинного обучения и статистические инструменты.

Чему вы научитесь:
- Формировать техническую задачу на основании бизнес-задачи.
- Понимать концепции обучения с учителем и без (supervised and unsupervised learning).
- Строить модели кластеризации: подбирать методы, выбирать правильные метрики для проверки качества моделей, задавать корректное расстояние для признаков.
- Понимать отличия между алгоритмами регрессии, классификации и кластеризации.

Вы решите практические задачи:
- Прогнозирование продаж с использованием таких факторов, как температура, индекс потребительских цен, безработица.
- Анализ размещений точек Starbacks: определим список локаций, подлежащих реорганизации, для повышения эффективности и снижения затрат.
- Анализ расположения базовых станций сотовых операторов. Похожую задачу решают в крупных операторах сотовой связи для анализа своей сети.

Чему Вы научитесь

  • Формировать техническую задачу на основании бизнес-задачи.
  • Понимать концепции обучения с учителем и без (supervised and unsupervised learning).
  • Строить модели кластеризации: подбирать методы, выбирать правильные метрики для проверки качества моделей, задавать корректное расстояние для признаков.
  • Понимать отличия между алгоритмами регрессии, классификации и кластеризации.

Что Вы получите

Видеоуроки, доступные после обучения
Методички и практические задания
Практические задания
Сертификат об окончании обучения

Средние оценки

4.8 / 5
Программа
4.8 / 5
Преподаватель

Преподаватели

  • 1
    Урок 1. Вводный урок
  • 2
    Урок 2. Вводный урок. Практика
  • 3
    Урок 3. Алгоритмы машинного обучения
  • 4
    Урок 4. Алгоритмы машинного обучения. Практика
  • 5
    Урок 5. Разбор домашнего задания
  • 6
    Урок 6. Прогнозирование временных рядов и классификация
  • 7
    Урок 7. Прогнозирование временных рядов и классификация. Практика
  • 8
    Урок 8. Разбор домашнего задания.
  • 9
    Урок 9. Кластеризация - базовая часть
  • 10
    Урок 10. Кластеризация - базовая часть. Практика
  • 11
    Урок 11. Разбор домашнего задания
  • 12
    Урок 12. Кластеризация для решения задач геоаналитики
  • 13
    Урок 13. Кластеризация для решения задач геоаналитики. Практика
  • 14
    Урок 14. Разбор домашнего задания
  • 15
    Урок 15. Как использовать кластеризацию для поиска скрытых зависимостей в данных. Часть 1
  • 16
    Урок 16. Как использовать кластеризацию для поиска скрытых зависимостей в данных. Часть 2
  • 17
    Урок 17. Разбор домашнего задания
  • 18
    Урок 18. Дальнейшие шаги

После обучения мы предлагаем всем выпускникам оценить программу курса и преподавателя, а также при желании оставить отзыв.
Все отзывы и оценки мы публикуем без изменений.