Практикум: применение моделей машинного обучения для анализа данных и прогнозирования

В рамках практикума разбираются особенности и возможности применения разных видов машинного обучения для анализа данных и прогнозирования, с учетом потенциальных угроз и возможностей. Слушатели отработают на практике этапы построения модели машинного обучения от подготовки данных для обучения моделей до оценки результатов.

Для кого предназначен

Менеджеров, маркетологов, экономистов, аналитиков, социологов, логистов, инженеров и других специалистов, которым приходится сталкиваться с проблемой анализа и прогнозирования данных и у которых есть потребность в приобретении навыка работы с моделями машинного обучения. 

Цель обучения

Отработать на практику процедуру построения модели машинного обучения для анализа и прогнозирования данных. 

Результат обучения

В результате обучения слушатели:

• Освоят методику выполнения последовательности действий при построении модели машинного обучения.
• Ознакомятся на практике с построением модели машинного обучения для регрессии
• Ознакомятся на практике с построением модели машинного обучения для классификации.
• Получат представление – как формулировать задачу программисту, что контролировать при ее выполнении, чтобы получить адекватный результат.

Программа обучения

День 1.

Методика выполнения задания: разбор последовательности действий.

• Определение проблемы, загрузка библиотек и данных.
• Анализ данных: распределение данных по классам, описательные статистики, визуализация.
• Первичная обработка данных и отбор признаков.
• Разбивка выборки на тестовую и обучающую.
• Обучение модели.
• Выбор лучшей модели для прогнозирования данных.
• Прогнозирование по лучшей модели.
• Интерпретация результатов.

Практикум: «Построение модели машинного обучения для регрессии».

• Пошаговое выполнение заданий на компьютере на базе готового набора данных с последующей оценкой результатов и подготовкой выводов под руководством эксперта. 

День 2.

Практикум: «Построение модели машинного обучения для классификации».

• Пошаговое выполнение заданий на компьютере на базе готового набора данных с последующей оценкой результатов и подготовкой выводов под руководством эксперта в анализе данных в программной среде Python. 

Занятия частично проводятся в компьютерном классе.