[əd'vɑ:nst]
Образовательные курсы по анализу данных в бизнесе
A²NCED
— это
Решения для бизнеса
Как выглядит сквозной процесс между системами?
Быстро и качественно
Как взаимодействуют сотрудники?
A²NCED
Решения для бизнеса в областях: маркетинг, управление рисками, автоматизация ML процессов
Design creates culture. Culture shapes values. Values determine the future.
Если вы уже разбираетесь в технологии, хотите знать больше про предметную область, но существующие курсы для вас слишком скучны — у нас есть решение!
Образование для
образованных
образованных
Курсы от экспертов с реальным опытом: только практические знания из настоящих проектов
направления Advanced Analytics и участников сообщества NOML
направления Advanced Analytics и участников сообщества NOML
Команда и эксперты
Программы
Методология подготовки
и проведения A/B тестов
и проведения A/B тестов
Применение ML на различных стадиях жизненного цикла клиента
Арсенал специалиста
по анализу данных на всех этапах жизненного цикла моделей
по анализу данных на всех этапах жизненного цикла моделей
Процесс построения кредитного скоринга в банке
Построение и особенности применения оптимизационных моделей для решения прикладных бизнес-задач
Особенности применения нейросетей в банковской области
Как упростить работу с ML моделями
Специалисты по Data Science, которые хотят развиваться в синьоров и тимлидов
5. РобоБух проводит
сверку автоматически
сверку автоматически
Старшие специалисты по DS или тимлиды, которые хотят расширить свои компетенции в новых бизнес-областях
Специалисты и руководители бизнес-подразделений, которые хотят разобраться, как Data Science поможет их бизнесу
Кому подойдут
наши курсы?
наши курсы?
Что даст обучение в A²NCED?
Практически подходить к решению задач в области маркетинга, управления рисками, аналитики цепочек поставок и промышленности
Правильно организовать процесс разработки моделей и внедрения их в продуктив
Пополнить свой рабочий DS-инструментарий готовыми шаблонами проектов
Получить поддержку от преподавателей на протяжении всего обучения, проверку домашних заданий, общение с коллегами в закрытом чате
Официальный и красивый сертификат
о прохождении курсов. Полезный!
о прохождении курсов. Полезный!
Преподаватели
- Полина ОкуневаАвтор курса
A/B ТестированиеВедущий эксперт команды клиентской аналитики практики GlowByte Advanced Analytics - Дмитрий ЗабавинАрхитектор решений Data Science практики GlowByte Advanced Analytics
- Влад ДаниленкоАвтор интенсива "Практический MLops"Архитектор направления MLOps практики GlowByte Advanced Analytics
- Егор ШишковецРуководитель DS команды клиентской аналитики практики GlowByte Advanced Analytics
- Вазген АмбарцумовРуководитель группы практики GlowByte
Advanced Analytics - Игорь РыцаревЭксперт по внедрению MLOps практики GlowByte
Advanced Analytics - Александр ВолковВедущий бизнес-аналитик практики GlowByte
Advanced Analytics - Максим ГончаровРуководитель направления Разработки GlowByte
- Федор СмирновВедущий бизнес-аналитик практики GlowByte
Advanced Analytics
Практический MLOps
Как организовать рабочее место специалистов по анализу данных и какие технологии могут упростить их жизнь? Как добиться воспроизводимости результатов анализа данных и модельных экспериментов? Как управлять пайплайнами обучения, внедрения и применения моделей?
День 1
Лучшие практики и технологии для организации рабочего места специалистов по анализу данных и машинному обучению.
День 2
Версионирование данных и обеспечение воспроизводимости результатов моделирования с использованием DVC.
День 3
Управление модельными экспериментами и снова обеспечение воспроизводимости на базе инструмента mlflow. Форматы хранения и передачи обученных моделей.
День 4
Внедрение моделей: соберем все наши знания из предыдущих уроков и выстроим процесс доставки моделей в промышленный контур.
День 5
Автоматизация процессов применения моделей и мониторинг качества. Автоматизация процессов повторного и непрерывного обучения модулей в также управление жизненным циклом моделей в целом.
День 1
Лучшие практики и технологии для организации рабочего места специалистов по анализу данных и машинному обучению.
День 2
Версионирование данных и обеспечение воспроизводимости результатов моделирования с использованием DVC.
День 3
Управление модельными экспериментами и снова обеспечение воспроизводимости на базе инструмента mlflow. Форматы хранения и передачи обученных моделей.
День 4
Внедрение моделей: соберем все наши знания из предыдущих уроков и выстроим процесс доставки моделей в промышленный контур.
День 5
Автоматизация процессов применения моделей и мониторинг качества. Автоматизация процессов повторного и непрерывного обучения модулей в также управление жизненным циклом моделей в целом.
Анализ данных в целевом маркетинге
Какие этапы проходит каждый из ваших клиентов? Как ML и продвинутая аналитика помогают увеличить взаимную выгоду для вас и ваших клиентов на каждом из этих этапов?
День 1
Этапы жизненного цикла клиента. Основные задачи целевого маркетинга в работе с новыми клиентами. Сбор и подготовка данных и переменных.
День 2
Определение склонности клиентов к покупке продукта. Основные подходы и “подводные камни” в моделировании склонности. Планирование модельных маркетинговых кампаний Особенности работы с естественным и целевым трафиком.
День 3
Отклик на предложение о приобретении продукта. Отличия моделирования отклика на продукт от моделирования склонности. Сложности и типичные ошибки при моделировании отклика.
День 4
Отток и удержание. Возможности целевого маркетинга в задачах оттока и удержания. Определение оттока и формулировка целевого события. Планирование модельных кампаний по удержанию и реактивации.
День 1
Этапы жизненного цикла клиента. Основные задачи целевого маркетинга в работе с новыми клиентами. Сбор и подготовка данных и переменных.
День 2
Определение склонности клиентов к покупке продукта. Основные подходы и “подводные камни” в моделировании склонности. Планирование модельных маркетинговых кампаний Особенности работы с естественным и целевым трафиком.
День 3
Отклик на предложение о приобретении продукта. Отличия моделирования отклика на продукт от моделирования склонности. Сложности и типичные ошибки при моделировании отклика.
День 4
Отток и удержание. Возможности целевого маркетинга в задачах оттока и удержания. Определение оттока и формулировка целевого события. Планирование модельных кампаний по удержанию и реактивации.
Рейтинговое моделирование и оценка ожидаемых потерь
Что такое скоринг? Почему задачи оценки кредитных рисков важны не только для банков? Что такое PD, LGD, EAD и EL?
День 1
Риск-менеджмент и классификация рисков. Обзор задач моделирования кредитных рисков в финансовом секторе и других индустриях. Framework типового проекта. Обзор регуляторных требований на примере ПВР и МСФО9.
День 2
Данные и целевые события для моделирования компонент кредитного риска. Определение дефолта и модельного дефолта. Особенности профилирования данных, подходы к расчету агрегатов и переменных.
День 3
Задача рейтингового моделирования. Модель в формате скоринговой карты для оценки вероятности дефолта (PD). Применимость других методов машинного обучения. Особенности требований по интерпретируемости моделей в кредитных рисках.
День 4
Задача калибровки моделей, алгоритмы и оценка качества калибровки. Количественная и качественная валидация моделей.
День 5
Моделирование компонент ожидаемых потерь (Expected Loss): LGD, EAD. Цепочно- лестничные методы, однокомпонентные и многокомпонентные модели LGD и EAD.
День 1
Риск-менеджмент и классификация рисков. Обзор задач моделирования кредитных рисков в финансовом секторе и других индустриях. Framework типового проекта. Обзор регуляторных требований на примере ПВР и МСФО9.
День 2
Данные и целевые события для моделирования компонент кредитного риска. Определение дефолта и модельного дефолта. Особенности профилирования данных, подходы к расчету агрегатов и переменных.
День 3
Задача рейтингового моделирования. Модель в формате скоринговой карты для оценки вероятности дефолта (PD). Применимость других методов машинного обучения. Особенности требований по интерпретируемости моделей в кредитных рисках.
День 4
Задача калибровки моделей, алгоритмы и оценка качества калибровки. Количественная и качественная валидация моделей.
День 5
Моделирование компонент ожидаемых потерь (Expected Loss): LGD, EAD. Цепочно- лестничные методы, однокомпонентные и многокомпонентные модели LGD и EAD.
Отзывы
Наши клиенты
Есть вопросы или нужно заключить договор?
Свяжитесь с нами!
Свяжитесь с нами!
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь
c политикой конфиденциальности
c политикой конфиденциальности
Узнавайте об обновлениях
и новых курсах первыми!
Подписывайтесь на наше коммьюнити NoML (Not only Machine Learning), где мы публикуем все новости, общаемся и делимся мнениями об индустрии