Онлайн-курс, вебинар Big data для банков и телекома

Даты начала обучения

Продолжительность:
4 месяца

Стоимость обучения:

37 920 р.
Записаться на курс
Добавить к сравнению

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.

Программа курса

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

Преподаватели

Александр Фонарев
Со-основатель Rubbles, ведущего агентства по работе с ML моделями для банков и ритейла, PhD в Data Science (Сколтех) Преподаватель в Школе Анализа Данных Яндекса
Александр Хайтин
CEO Mechanica AI, ex-Yandex Data Factory CEO (2014-2017)
Андрей Попов
Эксперт ФРИИ, РВК Co-founder HumanVenture, RocketFounders, ZenMall. ex-Intel,ex-RedBull, ex-I-Jet Media
Антон Попов
Советник по цифровой трансформации для компаний: PayPal, Яндекс, Mail.ru Group, Bosch, Росатом, Intel, S7 Airlines и др.
Денис Бондаренко
Data Engineer Консультант Big Four, Росатом ex-БКС, ex-Kraftway
Николай Орлов
Big Data Director в Билайн, Экс-Head of Big Data Department в компании "Эвотор"

Даты и места проведения

Онлайн
По мере набора группы

Похожие курсы

Посмотреть все похожие курсы

Мы бесплатно подберем для Вас подходящие курсы.

 Подборка курсов на e-mail