Ok, Data!

Ok, Data!

Data Science для нетехнічних спеціалістів

Робота з даними — вже поза справами гігантів, це необхідність будь-якого успішного бізнесу. Орієнтуватися, як отримати з даних найцінніше, повинен кожен менеджер. Після курсу ви зможете самостійно написати прості SQL запити, скласти звіти у Power BI або ж зробити прототип DS-проєкту, а потім потрапити у велику команду.

Хочу на курс
9 записів

лекцій

3 практичних

домашніх завдання

2 консультації

по вашому кейсу

Середній

рівень складності

9 записів
лекцій
3 практичних
домашніх завдання
2 консультації
по вашому кейсу
Середній
рівень складності

Кому потрібен курс?

Робота з даними — вже поза справами гігантів, це необхідність будь-якого успішного бізнесу. Орієнтуватися, як отримати з даних найцінніше, повинен кожен менеджер. Після курсу ви зможете самостійно написати прості SQL запити, скласти звіти у Power BI або ж зробити прототип DS-проєкту, а потім потрапити у велику команду.

Project manager

Project Managers

Product manager

Product Managers

middle business analyst

Business Analysts

owner

Business Owners

Додайте навички до резюме:

  • уміння працювати з даними та SQL запитами;

  • навички використання data-driven підходу для поліпшення бізнесу;

  • навички візуалізації даних за допомогою Power BI;

  • базова експертиза в обробці природної мови, застосунках машинного навчання тощо;

  • навички використання популярних DS-фреймворків;

  • вміння аналізувати метрики й оцінку після роботи Machine Learning проєкту;

  • вміння зібрати команду для Data Science проєкту;

  • розуміння, як скласти workflow для команди Data Science проєкту.

Чого ви навчитеся?

Чого ви навчитеся?

Додайте навички до резюме:

  • уміння працювати з даними та SQL запитами;
  • навички використання data-driven підходу для поліпшення бізнесу;
  • навички візуалізації даних за допомогою Power BI;
  • базова експертиза в обробці природної мови, застосунках машинного навчання тощо;
  • навички використання популярних DS-фреймворків;
  • вміння аналізувати метрики й оцінку після роботи Machine Learning проєкту;
  • вміння зібрати команду для Data Science проєкту;
  • розуміння, як скласти workflow для команди Data Science проєкту.

Програма курсу

Вступна лекція. Робота з даними

Розберемося, які існують типи даних і чому вони важливі для проєкту. Дізнаємося, де можна брати дані, як всередині вашого проєкту, так і за його межами (які джерела даних існують) Розглянемо, які види Data Science існують. Порівняємо позиції Data Engineer та Data Analyst і дізнаємося їхні основні відмінності, а також — де закінчується їх зона відповідальності і починається робота менеджера. Проведемо воркшоп із підготовки даних для тренування моделі на прикладі e-commerce.

Написання SQL запитів

Вивчимо основні артефакти даних: бази даних, таблиці, атрибути. Поговоримо про Big Data і яку користь від цього можна мати. Розглянемо, коли використовувати SQL, а коли віддати перевагу NoSQL. Попрактикуємось в написанні базових запитів:
✓ Вчимося створювати вибірки даних (SELECT)
✓ З'єднуємо таблиці (JOIN)
✓ Збираємо дані (AGGREGATIONS)

Вибір правильного підходу в DS

Розглянемо, які типи навчання існують, і оберемо серед них правильний під конкретну задачу. Дізнаємося, які завдання можна вирішити за допомогою DS\ML і що потрібно для початку впровадження технології у своєму проєкті, розібравши:
✓ як визначити проблему для вирішення;
✓ як сформувати гіпотезу зростання;
✓ як оцінити вплив гіпотези на продукт;
✓ які бізнес ресурси потрібні для початку роботи над гіпотезою.

Побудова моделі

Розглянемо типову архітектуру DS\ML проєкту. Побудуємо модель власноруч, щоб зрозуміти, як створити MVP вашого Data Science проєкту. Навчимося оцінювати результат роботи моделі. Розберемося, які критерії якості моделі існують і куди повинен дивитися менеджер, щоб перевірити підсумки роботи Machine Learning команди. Проведемо воркшоп із визначення ML моделі для чотирьох типів завдань:
✓ ціноутворення;
✓ класифікація відгуків;
✓ розпізнавання зображення;
✓ побудова чат-бота
Використаємо ігрові практики і доведемо, що практично будь-яке завдання можна поліпшити, використовуючи ML модель.

Побудова Machine Learning команди всередині компанії

Дізнаємося, як побудувати Machine Learning команду і кого треба наймати для створення MVP вашого проєкту. Розберемося із зонами відповідальності на етапі MVP і за повного циклу розробки. Покроково визначимо, як впроваджувати Data Science в вашому проєкті або продукті. Розглянемо Agile практики з управління DS/ML проєктами і чим вони відрізняються від традиційної розробки.

Data Science для розрахунку LTV

Обговоримо поняття статистичної значущості і зробимо прогноз LTV за допомогою статистичних методів. Розберемо, коли цього недостатньо і варто застосувати Data Science:
✓ зробимо аналогічний прогноз LTV за допомогою DS методів;
✓ проаналізуємо нюанси передбачення відтоку клієнтів (churn);
✓ навчимося приймати рішення на основі прогнозів за допомогою churn моделей;
✓ на прикладах пояснимо, як сегментування клієнтів разом із передбаченням LTV і відтоку клієнтів може допомогти в оптимізації бізнесу.

NLP для оптимізації Support команди

Обговоримо, як за допомогою методів обробки природної мови та active learning оптимізувати роботу відділу підтримки клієнтів. Розберемося, як впровадити їх у себе в проєкті. Застосуємо кілька алгоритмів, які допоможуть з визначенням тем і обробкою коментарів. Розглянемо, коли краще використовувати алгоритми навчання без вчителя.

Візуалізація даних

Поговоримо про те, коли вам може знадобитися візуалізація даних. Розглянемо основні інструменти для візуалізації:
✓ Excel
✓ Tableau
✓ PowerBI
✓ QlikView
✓ Pentaho
✓ Birst
Розберемо кращі практики і патерни аналізу і візуалізації даних. Застосуємо обговорені знання на практичному кейсі.

Workshop "Візуалізація даних за допомогою Power BI" (запис)

Розглянемо застосування інструменту Power BI на практичному кейсі:
✓ З'єднуємо джерела
✓ Створюємо діаграми
✓ Використовуємо фільтри і агрегацію
✓ Налаштовуємо dashboards
✓ Розбираємося з delivery і експортом

Впровадження NLP в компанію

Розглянемо стандартний NLP pipeline, потім поставлене бізнес завдання і процес впровадження конкретного рішення, включно з вибором компонентів, розмітки даних для тренінгу, тренінг DNN, використані метрики, інтеграцію технічного рішення з інфраструктурою бізнесу. Розглянемо кейс на конкретному прикладі.

Спікери та ментори

Сергей Брандис С

Сергій Брандіс | Спікер

Co-founder AI startup Aidrome

Більше 8 років досвіду в IT. Завжди в курсі сучасних трендів і розповість про них простою мовою.

Більше 8 років досвіду в IT. За цей час займався розробкою продуктів з контролю якості виробництва, розробкою HTM - AI. Працював з канадськими стартапами з впровадженням AI розробок. Відстежує AI тренди і розповідає про них простою мовою.

Кирилл Юрченко К

Кирило Юрченко | Спікер

DS Architect в GlobalLogic

12 років досвіду розробки data-driven рішень в ролі Analyst, Risk Manager, Data Scientist.

12 років досвіду розробки data-driven рішень. Сертифікація GARP. Раніше працював в Playtika, JustAnswer, Zoral, Alfa Bank та інші. Любить гратися з даними, щоб всебічно їх вивчити і підготувати ефективне рішення для бізнесу.

Сергей Пинигин С

Сергій Пінігін | Спікер

Director of Product in Adwiser

15+ років досвіду в IT. ML / Data Science Consultant in Research & Innovation Lambton College, Toronto.

Більше 15 років досвіду в IT, ML/Data Science Consultant in Research & Innovation Lambton College, Toronto. Створює та розвиває діджитал продукти у широкому спектрі галузей. Фокус на проектах AI/Data останні 5 років. Раніше працював на позиціях Agile Coach та Product Owner. AGI Researcher, співорганізатор AGI Meetup Toronto.

Що ви отримаєте

новый подход

Прикладні навички

Після курсу ви зможете самостійно писати прості SQL запити, складати звіти в Power BI, зробити прототип DS-проєкту або увійти в команду, яка використовує Data Science.

Общение

Простота подачі

Викладачі розкривають теми, використовуючи яскраві образи, приклади зі своєї роботи та практичну демонстрацію.

Тех.спец

Поради 24/7

Спікери продовжують спілкуватися зі студентами після завершення курсу та відповідають на питання в закритому Telegram-чаті й особисто.

Практика

Практика

Домашні завдання дозволять «помацати руками» основні інструменти та проаналізувати результати моделей.

процесс

Розуміння процесів

Після курсу ви зможете самостійно сформулювати і перевірити data-driven гіпотезу для вашого бізнесу або «перевести» запит клієнта в роботу з моделлю.

Новый уровень задач

Перевага на ринку праці

Data-driven — це новий та універсальний підхід до розвитку бізнесу, який допоможе робити зважені рішення, засновані на даних.

Ми допомагаємо з працевлаштуванням

  • Рекомендації по покращенню резюме та портфоліо
  • Допомога в створенні та покращенні супровідного листа
  • Підготовка до співбесіди та проходження тестових завдань
  • Персональні консультації по розвитку кар'єри
  • Допомога в пошуку релевантних вакансій
  • Стажування та спеціальні пропозиції від компаній-партнерів
  • Рекомендаційний лист від спікерів та менторів для кращих студентів
kzt 16.5eur 0.024usd 0.026

Часті питання

Що я зможу записати в резюме після проходження курсу?

Загальні знання:

  • використання data-driven підходу для поліпшення бізнесу;
  • досвід застосування фреймворків (TensorFlow, scikit-learn, Pandas);
  • створення MVP Data Science проєкту;
  • оцінка моделей (F-score, Accuracy);
  • підбір команди для DS-проєкту;
  • досвід роботи з AI-driven проєктом;
  • розуміння роботи workflow;
  • вміння скласти правильний timeline для DS-проєкту.

Супер-навички для Project Manager:

  • робота з DS-командою — підбір, цілі, завдання, контроль;
  • вибір методів та фреймворка під запропоновану задачу з наявними ресурсами;
  • вміння скласти workflow роботи для всієї команди.

Супер-навички для Product Manager:

  • розуміння особливостей Roadmap в DS-проєктах;
  • оптимізація розрахунку LTV;
  • оптимізація роботи Support-команди продукту;
  • створення MVP власного DS-проєкту.

Супер-навички для Business Analyst:

  • вміння транслювати вимоги від замовника до команди;
  • написання простих SQL запитів;
  • навички візуалізації даних;
  • використання Power BI для створення звітності.
Як відбуваються заняття?
  • Заняття проходять 1,5 години у форматі онлайн майстер-класів, де спікери діляться досвідом, показують інструменти та відповідають на питання.
  • Ми даємо теоретичні знання, які в першу чергу потрібні нетехнічному фахівцю в управлінні Data Science-проєктом або для перевірки власних гіпотез.
  • Опрацювання основних навичок відбувається на практичних заняттях. Так ми впевнені, що всі студенти завершать курс із затребуваними вміннями.
Як влаштована практика у межах курсу?

Щоб вам не доводилося занурюватися в суху теорію, на вебінарі ми розбираємо кейси і демонстрації. Також на курсі є домашні завдання й окрема Q&A-сесія.

  • Ви готуватимете дані для моделі, щоб зрозуміти, які з них краще підходять і чому.
  • Після вивчення теми на практиці спробуєте створити «модель» для конкретного кейса.
  • Навчитеся будувати візуалізацію оцінки моделі та визначатимете якість її роботи.
  • Спробуєте писати прості SQL запити для отримання даних.
А це я одразу код писатиму? А якою мовою? А якщо немає навичок?

Так, ви писатимете код на одній з найпоширеніших мов у Data Science — Python. Щодо цього не турбуйтеся. Ми надамо детальну інструкцію, що і де треба заповнити.

Це будуть найпростіші готові запити, які потрібно вписувати в зручний інтерфейс спеціальних інструментів (оточення). Наша мета — не навчити вас програмувати, а показати, як отримувати від моделі результат та аналізувати його. Це чудовий спосіб познайомитися з усіма етапами розробки DS-проєкту та зрозуміти, що вимагати від своєї команди.

Навіщо мені це знати? У мене ж будуть технічні фахівці, які з усім цим розберуться.

Так, але:

  • Не в кожній ML-команді у вас буде тімлід або інший фахівець, здатний все підказати, пояснити і допомогти прийняти рішення. Скоріш за все вам доведеться самостійно керувати Data Analyst, ML Engineer, Data Scientists, ставити їм завдання і контролювати результат.
  • Технічні фахівці не ходитимуть з вами на кожну зустріч і не будуть продумувати чергову гіпотезу.
  • У DS-фахівців купа завдань, тому у них не завжди знайдеться час пояснювати вам кожну дрібницю.
  • Чим більш технічно підковані ваші фахівці, тим менше у них знань у доменній сфері проєкту. У той же час ви матимете повне розуміння того, які дані важливі та який результат ви хочете отримати.
  • Якщо DS-фахівці — частина великої команди, то вам як РМ-у доведеться пов’язати їх напрацювання із загальною розробкою. Тому подальші питання щодо процесу ставитимуть саме вам.
У мене зараз немає конкретних проєктів або завдань у Data Science, навіщо мені йти на курс?
  • Data-driven — це універсальний підхід до розвитку бізнесу. Неважливо, велика у вас компанія або мала, за допомогою цього підходу ви можете робити висновки і діяти на основі накопичених даних від ваших користувачів як у щоденних завданнях, так і в довгостроковій перспективі.
  • Data Science — це тренд, до якого всі прагнуть. За версією McKinsey, загальний дохід від AI-проєктів складе $13–20 трлн. Тому в якій би галузі ви не працювали, автоматизація та обробка даних зроблять процеси ефективнішими і допоможуть отримати конкурентну перевагу.
  • Якщо хтось із ваших конкурентів почав використовувати Data Science, незабаром вашій компанії теж потрібно буде впровадити ці практики, щоб не відстати.
  • Враховуючи цей тренд, компанії активно наймають у команду DS-фахівців, однак ними має хтось керувати. Як правило, для таких завдань обирають РМ-а з технічним бекграундом або базовими знаннями роботи з даними.
  • Якщо ви не працюєте в DS-проєкті, то все одно зможете застосувати навички, отримані на курсі та скласти MVP власного рішення, перевірити гіпотезу, а потім підібрати команду для масштабування ідеї. До того ж можна просто дописати в резюме нову навичку для підвищення своєї цінності на ринку.
Чому я маю обрати саме цей курс?
  • Доступна ціна. Якщо ваша мета — не розробляти складні AI-рішення власними руками, а керувати командами в цій галузі, то буде цілком достатньо інтенсивної програми тривалістю місяць.
  • В інтернеті є багато відкритої інформації про DS, але часто це базові теоретичні знання або статті та відео для вузькопрофільних фахівців. Ми створили курс, який дає достатньо навичок для практичної роботи, пояснюємо все зрозумілою мовою. Ви не будете вчити те, що ніколи не зможете застосувати у своїй роботі.
  • Фідбек від спікерів. У межах курсу виконуєте домашні завдання з навчального кейсу або по своєму проєкту. Під час навчання ми власноруч побудуємо модель роботи з даними.
  • Є можливість поліпшити процеси у вашій компанії. Отримані на курсі знання ви зможете використати у самостійній роботі та в команді. Протягом 3–6 місяців, у процесі впровадження нових гіпотез, ви зможете звертатися за підказками від спікерів в чат курсу і навіть особисто.

Більше корисних курсів

Залиш заявку та отримай безкоштовну консультацію

Маєте сумніви?

Залиште email, щоб отримати приклад заняття та план розвитку вашої кар’єри!