В последние 5 лет наблюдается все большая конвергенция между финансовым и телеком секторами. Банки запускают собственных операторов связи (например, Тинькофф Мобайл), а телеком компании покупают банки (например, МТС Банк). Модель работы с клиентами, пользовательские данные и возможности допродажи услуг во многом похожи.
Банки обогащают свои модели данными от телекомов, а телеком компании начинают предлагать финансовые сервисы. Поэтому мы объединили в нашем курсе представителей этих двух отраслей. Мы уверены, что это создаст продуктивную среду для кросс-отраслевого взаимодействия.
1. Обзор области
- Почему эта область получила такое развитие в последние годы?
- Какую пользу AI может принести бизнесу?
- Что значат и чем отличаются термины: искусственный интеллект, машинное обучение, нейросети, большие данные, data science?
2. Общий подход к сбору, хранению и обработке данных
- Источники данных
- Хранилище
- Витрины данных
- Аналитические модели
3. Примеры задач машинного обучения
- Подход машинного обучения для не-технарей: выборка, модель, поиск зависимостей
- Области применения: единый подход для разных задач
4. Методы машинного обучения
- Линейный метод, нейросети, метод ближайших соседей, решающее дерево, случайный лес
- Как выбирают лучший метод?
- Где применимы нейронные сети: анализ текстов, изображений, речи
- Адаптивные алгоритмы: рекомендации и реклама, логистика, распределение ресурсов в сложных системах: компьютерные сети, дорожные сети в мегаполисах и т.д.
5. В каких продуктах применим ML
- Где применимы ML модели?
- Степень оцифровки процесса
- Объем данных
- Потенциальная выгода
- Рутинность и повторяемость операций
- Важность выбора постановки задачи
- Типы продуктов с машинным обучением
- ML для оптимизации бизнес-процессов или для
дополнительной ценности для продукта
(рекомендательная система)
- ML как основной инструмент для реализации продукта (кредитный скоринг)
6. Цикл ML проекта и подводные камни на каждом этапе
Модель CRISP-DM:
- бизнес-анализ
- анализ данных
- подготовка данных
- моделирование
- оценка решения
- внедрение
7. Работа с данными и с моделями
- Работа с данными, проверка данных на достоверность и поиск аномалий
- Ручные ошибки при заполнении данных
- Смещённость/изменение данных
- Crowdsourcing в обработке данных
- Выбор метода машинного обучения – простой фреймворк для выбора оптимального метода
- Работа с моделями: оценка и доработка
- Онлайн метрики (средний чек, частота покупок, целевые действия) и офлайн метрики для оценки модели (AUC-ROC, Logloss,Mean Squared Error)
- Поддержка моделей (обновление, обучение, перестройка)
8. Как управлять ML проектом
- Продуктовый подход и HADI циклы
- Agile и Канбан
- Логирование экспериментов
- Переиспользуемый код
- Вся команда вместе распределяет задачи и погружена в продукт
9. Основы data driven культуры в компании
- Data-driven принятие решений
- Доступность и качество данных для всех
- Поддержка топ-менеджмента
- Тесная связь между классическим бизнесом и аналитиками данных
- Готовность к изменениям в структуре и подходах к работе
10. Команда Big Data проекта
- Роли в Big Data команде: руководитель, бизнес-заказчик, data scientist, data engineer, data steward, аналитик
- Сколько стоят такие люди, где их искать, как нанимать и удерживать?
11. Оценка кредитных рисков
- Виды моделей:
как применять разные методы классификации с учетом законодательных ограничений регулятора?
Как сделать интерпретируемый градиентный бустинг?
- Проблемы практического применения моделей:
Как прогнозировать целевую переменную (дефолты) с учетом длинного срока созревания и необходимости длинного горизонта прогнозирования?
- Нехватка данных:
какими дополнительными методами можем воспользоваться?
покупка внешних данных
анализ операций и остатков по дебетовым счетам,
лотерея - рандомизированная положительная дискриминация заемщиков с целью проверки гипотез
другие методы
12. Кросс-сейл и персональные рекомендации
- Как повысить LTV клиента за счет дополнительных рекомендаций и экосистемы услуг
- Технические и бизнес-аспекты
- Российские и международные кейсы
13. Финальный проект
- Работа с командой аналитиков над MVP своего продукта в области ML
Мы бесплатно подберем для Вас подходящие курсы.
Подборка курсов на e-mail