«Продвинутая» предиктивная аналитика (Predictive analytics). Уровень 2

Главная / Расписание открытых тренингов / «Продвинутая» предиктивная аналитика (Predictive analytics). Уровень 2

Открытый тренинг

Выберите дату проведения:

О курсе: Специализированный

Тем, кто успешно прошел курс «Предиктивная аналитика на базе регрессионных моделей», мы предлагаем глубже погрузиться в мир предиктивной аналитики. Вы сможете узнать об актуальных и современных методах, названия которых часто мелькают в аналитических отчетах крупных компаний. Деревья классификации, случайный лес, нейронные сети – все это и немного больше будет представлено на тренинге. Эти «продвинутые» методы уже не так тривиальны, как, например, линейный регрессионный анализ, требуют использования специализированного программного обеспечения, но позволяют более точно прогнозировать выходные характеристики производственных процессов.

Возможность использования своих данных в процессе обучения

Программа тренинга

ДЕНЬ 1. Прогнозирование на основе деревьев решений

ДЕНЬ 2. Прогнозирование с помощью искусственных нейронных сетей

1. Если от вашей компании планируется 3 и более человека, даты проведения могут быть скорректированы в соответствии с вашими потребностями, либо назначены дополнительные даты.

2. Формат проведения в указанные даты может быть быть изменен в соответствии с потребностями участников (очный - на онлайн и наоборот).

Продолжительность:

Off-line: 2 дня/ 16 академических часов

On-line: 2 дня/ 16 академических часов

Требования к слушателям:

•

Высшее образование

•

Опыт работы в Excel на уровне пользователя

•

Базовые знания статистических методов

Вы получите:

•

Сертификат о прохождении курса

•

Сертификат на 4-месячную бесплатную консультационную поддержку

Стоимость участия

От компании

один человек (от компании)

47 000 руб.

два и более человека (от компании)

45 000 руб.

Физическое лицо

45 000 руб.

* Все скидки действуют только при предоплате.

** Стоимость участия может изменяться в зависимости от даты и места проведения.

Программа

ДЕНЬ 1. Прогнозирование на основе деревьев решений

Деревья решений – способ визуализации условий достижения желаемого результата:
- требования к виду и количеству исходных данных
- необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подхода
- различные математические методы построения дерева (CRT, CHAID и другие), условия выбора того или иного метода
- способ проверки адекватности модели, обучение и валидация
- определение условий достижения желаемого результата по построенному дереву
- метод случайного леса: его особенности и отличия от деревьев решений
Наивный байесовский классификатор, метод ближайшего соседа и машина опорных векторов – способы прогнозирования принадлежности к группе (классу):
- требования к виду и количеству исходных данных
- необходимые и достаточные теоретические основы, идеи и принципы, плюсы и минусы подходов
- способ проверки адекватности модели, обучение и валидация
Практическая часть – отработка примеров в Statistica

ДЕНЬ 2. Прогнозирование с помощью искусственных нейронных сетей

Задачи, решаемые с использованием нейросетей: задачи регрессии и классификации
Основные понятия искусственных нейронных сетей: синаптические веса, виды функции активации
Типы нейросетевых моделей, реадизованных в пакете Statistica: многослойный перцептрон, радиальная базисная функция и другие
Обучающая, проверочная и контрольная выборки
Обучение сети и проблема переобучения
Оценка качества построенной модели
Принципы выбора между традиционными многофакторными статистическими и нейросетевыми методами
Практическая часть – отработка примеров в Statistica

После окончания обучения вы сможете

С помощью деревьев решений не только прогнозировать исходы процесса, но и получать конкретные правила, при которых процесс придет в то или иное состояние

Обучать нейросети с целью прогнозирования

Разобраться в условиях применения и сути таких подходов, как наивный байесовский классификатор, машина опорных векторов, метод ближайшего соседа и определить, целесообразно ли их применение для решения задач вашего предприятия

Принимать решение, когда целесообразно использовать более сложные, а когда – более простые методы предиктивной аналитики в зависимости от целей анализа