Ok, Data!

Ok, Data!

Data Science для нетехнических специалистов

Работа с данными — уже не удел гигантов, а необходимость любого успешного бизнеса. Ориентироваться, как получить из данных ценность должен любой менеджер. После курса вы сможете самостоятельно написать простые SQL запросы, составить отчеты в Power BI, или же сделать прототип DS проекта, а потом войти в большую команду.

Хочу на курс
9 записей

лекций

3 практических

домашних задания

2 консультации

по своему проекту

Средний

уровень сложности

9 записей
лекций
3 практических
домашних задания
2 консультации
по своему проекту
Средний
уровень сложности

Кому нужен курс?

Работа с данными — уже не удел гигантов, а необходимость любого успешного бизнеса. Ориентироваться, как получить из данных ценность должен любой менеджер. После курса вы сможете самостоятельно написать простые SQL запросы, составить отчеты в Power BI, или же сделать прототип DS проекта, а потом войти в большую команду.

Project manager

Project Managers

Product manager

Product Managers

middle business analyst

Business Analysts

owner

Business Owners

Добавьте навыки в резюме:

  • Умение работать с данными и SQL запросами

  • Навык использования data-driven подхода для улучшения бизнеса

  • Навык визуализации данных с помощью Power BI

  • Базовая экспертиза в обработке естественного языка, приложениях машинного обучения и т. д.

  • Навык использования популярных DS фреймворков

  • Умение анализировать метрики и оценку после работы Machine Learning проекта

  • Умение собрать команду для Data Science проекта

  • Понимание, как составить workflow для команды Data Science проекта

Чему вы научитесь?

Чему вы научитесь?

Добавьте навыки в резюме:

  • Умение работать с данными и SQL запросами
  • Навык использования data-driven подхода для улучшения бизнеса
  • Навык визуализации данных с помощью Power BI
  • Базовая экспертиза в обработке естественного языка, приложениях машинного обучения и т. д.
  • Навык использования популярных DS фреймворков
  • Умение анализировать метрики и оценку после работы Machine Learning проекта
  • Умение собрать команду для Data Science проекта
  • Понимание, как составить workflow для команды Data Science проекта

Программа курса

Вводная лекция. Работа с данными

Разберемся, какие типы данных бывают и почему они важны для проекта. Узнаем, где можно брать данные, как внутри вашего проекта, так и за его пределами (какие источники данных существуют.) Рассмотрим, какие виды Data Science существуют. Сравним позиции Data Engineer и Data Analyst и узнаем их основные отличия, а также где заканчивается их зона ответственности и начинается работа менеджера. Проведем воркшоп по подготовке данных для тренировки модели на примере e-commerce.

Написание SQL запросов

Изучим основные артефакты данных: базы данных, таблицы, аттрибуты. Поговорим про Big Data и какую пользу из этого извлекают. Рассмотрим, когда использовать SQL, а когда отдать предпочтение NoSQL. Попрактикуемся в написании базовых запросов:
✓ Учимся создавать выборки данных (SELECT)
✓ Соединяем таблицы (JOIN)
✓ Собираем данные (AGGREGATIONS)

Выбор правильного подхода в DS

Рассмотрим, какие типы обучения существуют и научимся выбирать правильный под конкретную задачу. Узнаем, какие задачи можно решить при помощи DS\ML и что нужно для начала внедрения технологии у себя в проекте, разобрав:
✓ как определить проблему для решения;
✓ как сформировать гипотезу роста;
✓ как оценить влияние гипотезы на продукт;
✓ какие бизнес ресурсы нужны для начала работы над гипотезой.

Построение модели

Разберем типичную архитектуру DS\ ML проекта. Построим модель своими руками, чтобы понять, как создать MVP вашего Data Science проекта. Научимся оценивать результат работы модели. Разберемся, какие критерии качества модели существуют и на что должен смотреть менеджер, чтобы проверить итоги работы Machine Learning команды. Проведем воркшоп по определению ML модели для четырех типов задач:
✓ ценообразование
✓ классификация отзывов
✓ распознавание изображения
✓ построение чат-бота
Используем игровые практики, чтобы доказать, что практически любую задачу можно улучшить, используя ML модель.

Построение Machine Learning команды внутри компании

Узнаем, как построить Machine Learning команду и кого надо нанимать для создание MVP вашего проекта. Разберемся с зонами ответственности на этапе MVP и при полном цикле разработки. Пошагово определим, как внедрять Data Science в вашем проекте или продукте. Рассмотрим Agile практики по управлению DS/ML проектами и чем они отличаются от традиционной разработки.

Data Science для расчета LTV

Обсудим понятие статистической значимости, и сделаем прогноз LTV с помощью статистических методов. Разберем, когда этого недостаточно и когда стоит применить Data Science:
✓ сделаем аналогичный прогноз LTV с помощью DS методов
✓ проанализируем нюансы предсказания оттока клиентов (churn)
✓ научимся принимать решения на основе прогнозов с помощью churn моделей.
✓ на примерах объясним, как сегментирование клиентов вместе с предсказанием LTV и оттока клиентов может помочь в оптимизации бизнеса.

NLP для оптимизации Support команды

Обсудим, как при помощи методов обработки естественного языка и active learning оптимизировать работу отдела поддержки клиентов. Разберемся, как внедрить их у себя в проекте. Применим несколько алгоритмов, которые помогут в определении тем и обработки комментариев. Рассмотрим, когда лучше использовать алгоритмы обучения без учителя.

Визуализация данных

Поговорим о том, когда вам может понадобиться визуализация данных. Рассмотрим основные инструменты для визуализации:
✓ Excel
✓ Tableau
✓ PowerBI
✓ QlikView
✓ Pentaho
✓ Birst
Разберем лучшие практики и паттерны анализа и визуализации данных. Используем обговоренные знания на практическом кейсе.

Workshop “Визуализация данных с помощью Power BI”

Рассмотрим применение инструмента Power BI на практическом кейсе:
✓ Соединяем источники
✓ Создаем диаграммы
✓ Используем фильтры и агрегацию
✓ Настраиваем dashboards
✓ Разбираемся с delivery и экспортом

Внедрение NLP в компанию

Рассмотрим стандартный NLP pipeline, затем поставленную бизнес задачу и процесс внедрения конкретного решения, включая выбор компонентов, разметку данных для тренинга, тренинг DNN, использованные метрики, интеграцию решения технической с инфраструктурой бизнеса. Разберем кейс на конкретном примере.

Спикеры и менторы

Сергей Брандис С

Сергей Брандис | Спикер

Co-founder AI startup Aidrome

Более 8 лет опыта в IT. Всегда в курсе современных тренды и расскажет о них простым языком.

Более 8 лет опыта в IT. За это время занимался разработкой продуктов по контролю качества производства, разработкой HTM - AI. Работал с канадскими стартапами с внедрением AI разработок. Отслеживает AI тренды и рассказывает о них простым языком.

Кирилл Юрченко К

Кирилл Юрченко | Спикер

DS Architect в GlobalLogic

12 лет опыта разработки data-driven решений в роли Analyst, Risk Manager, Data Scientist.

12 лет опыта разработки data-driven решений. Сертификация GARP. Ранее работал в Playtika, JustAnswer, Zoral, Alfa Bank и другие. Любит играться с данными, чтобы всесторонне их изучить и подготовить эффективное решение для бизнеса.

Сергей Пинигин С

Сергей Пинигин | Спикер

Director of Product in Adwiser

15 лет опыта в IT, ML/Data Science Consultant in Research & Innovation Lambton College, Toronto.

Более 15 лет опыта в IT, ML/Data Science Consultant in Research & Innovation Lambton College, Toronto. Cоздаёт и развивает диджитал продукты в широком спектре отраслей. Фокус на AI/Data проектах последние 5 лет. Ранее работал на позициях Agile Coach и Product Owner. AGI Researcher, соорганизатор AGI Meetup Toronto.

Что вы получите

новый подход

Прикладные навыки

После курса вы сможете самостоятельно писать простые SQL запросы, составлять отчеты в Power BI, сделать прототип DS проекта, или войти в команду, которая использует Data Science.

Общение

Простота изложения

Преподаватели раскрывают темы, используя яркие образы, примеры из своей работы и практическую демонстрацию.

Тех.спец

Советы 24/7

Спикеры продолжают общаться со студентами после курса и отвечать на вопросы в закрытом чате в телеграм и лично.

Практика

Практика

Домашние задания позволят «потрогать руками» основные инструменты и проанализировать результаты моделей.

процесс

Понимание процессов

После курса вы сможете самостоятельно сформулировать и проверить data-driven гипотезу и для вашего бизнеса или «перевести» запрос клиента в работу с моделью.

Новый уровень задач

Преимущество на рынке труда

Data-driven — это новый и универсальный подход к развитию бизнеса, который поможет делать взвешанные и основанные на данных решения.

Мы помогаем с трудоустройством

  • Рекомендации по улучшению резюме и портфолио
  • Помощь в создании и улучшении сопроводительного письма
  • Подготовка к собеседованию и прохождению тестовых заданий
  • Персональные консультации по развитию карьеры
  • Помощь в поиске релевантных вакансий
  • Стажировки и специальные предложения от компаний-партнеров
  • Рекомендательное письмо от спикеров и менторов для лучших студентов
kzt 16.5eur 0.024usd 0.026

Частые вопросы

Что я смогу записать в резюме после прохождения курса?

Общие знания:

  • использование data-driven подхода для улучшения бизнеса
  • опыт применения фреймворков (TensorFlow, scikit-learn, Pandas)
  • создание MVP Data Science-проекта; 
  • оценка моделей (F-score, Accuracy); 
  • подбор команды для DS-проекта;
  • опыт работы с AI-driven проектом; 
  • понимание работы workflow и умение составить правильный timeline для DS-проекта.

Супер-навыки для Project Manager:

  • работа с DS-командой — подбор, цели, задачи, контроль;
  • выбор методов и фреймворка под заданную задачу, с имеющимися ресурсами;
  • умение составить workflow работы для всей команды.

Супер-навыки для Product Manager:

  • понимание особенностей Roadmap в DS проектах;
  • оптимизация расчета LTV;
  • оптимизация работы Support-команды продукта;
  • создание MVP собственного DS-проекта.

Супер-навыки для Business Analyst:

  • умение транслировать требования от заказчика к команде;
  • написание простых SQL запросов;
  • навыки визуализации данных;
  • использование Power BI для создания отчетности;
Как проходят занятия?
  • Занятия проходят в формате полутора часовых онлайн мастер-классов, на которых спикеры делятся опытом, показывают инструменты и отвечают на вопросы.
  • Из теории мы даем именно те знания, которые, в первую очередь, нужны нетехническому специалисту при управлении Data Science проектом или для проверки собственных гипотез. 
  • Мы вывели проработку всех основных навыков в практические занятия на вебинаре, чтобы быть уверенными, что все студенты выйдут с курса с нужными умениями.
Как устроена практика в рамках курса?

Чтобы вам не приходилось вникать в сухую теорию, на вебинаре мы проводим разбор кейсов и демонстрации. Кроме того, на курсе есть домашние задания и отдельная Q&A-сессия.

  • Вы будете подготавливать  данные для модели, чтобы понимать, какие данные подходят и почему.
  • После изучения темы вы будете на практике пробовать создавать «модель» для конкретного кейса. 
  • Научитесь строить визуализацию оценки модели и оценивать ее работу.
  • Попробуете писать простые SQL запросы для получения данных.
А это я будут прямо код писать? А на каком языке? А если нет навыка?

Да вы будете писать код,  на одном из самых распространенных языках в Data Science — Python, но не беспокойтесь мы предоставим подробную инструкцию, что надо и куда заполнить.

Это будут простейшие готовые запросы, которые надо вписывать в удобный интерфейс специальных инструментов (окружение). Наша цель не научить вас программировать, а показать, как получать от модели результат и анализировать его. Это отличный способ познакомиться со всеми этапами разработки DS проекта и понять, чего требовать от вашей команды.

Зачем мне это знать, у меня же будут технические специалисты, которые будут со всем этим разбираться?

Да, но:

  • Не в каждой команде у вас будет тимлид или другой специалист, способный все подсказать, объяснить и помочь принять решение. Скорее вам придется управлять самостоятельно Data Analyst, ML Engineer, Data Scientists, ставить им задачи и контролировать результат.
  • Технические специалисты не будут ходить с вами на каждый митинг или продумывать каждую гипотезу.
  • У DS-специалистов огромная куча задач, и у них не всегда будет время объяснять вам каждую мелочь. 
  • Чем более технически подкованы ваши специалисты, тем меньше знаний у них в доменной области проекта. В то же время у вас есть полное понимание, какие данные важны и какой результат вы хотите получить.
  • Если DS команда — часть большой команды, то вам как РМ-у надо будет связывать их наработки с общей работой, и все вопросы по процессу будут задавать вам.
У меня нет сейчас конкретных проектов или задач по Data Science, зачем мне идти на курс?
  • Data-driven — это универсальный подход к развитию бизнеса. Неважно, большая у вас компания или маленькая, с помощью этого подхода вы можете делать выводы и действовать на основе накопленных данных о ваших пользвателях, как в ежедневных задачах, так и на долгосрочную перспективу. 
  • Data Science — это тренд, к которому все стремятся. По версии McKinsey общий доход от AI проектов составит 13- 20 трлн долларов, так что в какой отрасли вы бы не работали, автоматизация и обработка данных сделает процессы более эффетктивными и поможет получить конкурентное преимущество. 
  • Если кто-то из ваших конкурентов начал использовать Data Science практики для работы, то в скором времени вашей компании нужно будет тоже внедрить эти практики, чтобы не отстать.
  • Учитывая этот тренд, компании активно нанимают в команду DS-специалистов, но ими кто-то должен управлять. Как правило, для таких задач выбирают РМ-а с техническим бэкграундом или базовыми знаниями в работе с данными. 
  • Если вы не работаете в DS-проекте, то все равно сможете применить навыки, полученные на курсе и составить MVP своего собственного решения, проверить гипотезу, а потом подобрать команду для масштабирования или просто записать в резюме новый навык для повышения своей стоимости на рынке. 
Почему я должен выбрать именно этот курс?
  • Доступная цена. Если ваша цель — не разрабатывать сложнейшие AI-решения собственными руками, а управлять командами в этой отрасли, то будет вполне достаточно интенсивной программы длиной в один месяц.
  • В интернете есть много открытой информации по анализу данных, но чаще всего, это или базовые теоретические знания, или статьи и видео для узких специалистов. Мы создали курс, дающий навыки, достаточные для практической работы, и объяснили все простым и понятным языком. Вы не будете учить то, что никогда не сможете применить в своей работе.
  • Фидбек от спикеров. В рамках курса вы выполняете домашние задания по учебному кейсу или своему собственному проекту. В процессе обучения мы построим модель работы с данными своими руками. 
  • Есть возможность улучшить процессы в вашей компании. Знания, полученные на курсе, вы сможете использовать самостоятельно или в команде. Кроме того, в течение 3-6 месяцев, в процессе внедрения новых гипотез, вы сможете обращаться за подсказками от спикеров в чат курса и даже лично. 

Больше полезных курсов

Оставь заявку и получи бесплатную консультацию

Ещё сомневаетесь?

Оставьте email, чтобы получить пример занятия и план развития своей карьеры!