Описание

Целевая аудитория — аналитики в различных областях: маркетинге, ИТ, промышленности, работники аналитических отделов коммерческих и государственных организаций.

Цель обучения — освоение инструментов анализа данных с целью формирования отчетности по операционному мониторингу, а также построение прогнозной аналитики (без использования программного обеспечения); навыки проведения самостоятельных исследований методами анализа данных и эффективное пользование результатами готовых статистических исследований.

Программа тренинга:

1. Введение

• Общая концепция методологии по анализу данных.
• Обзор целей и задач, решаемых методами анализа данных.
• Импорт и экспорт данных, взаимодействие с базами данных.
• Предварительная обработка («чистка») данных — обработка пропущенных значений, значений-выбросов, дублированных и некорректных элементов, избыточных значений.
• Описание и предварительный анализ данных: стратификация (расслоение данных). Визуализация исходных данных, анализ графиков и диаграмм.
• Поиск наиболее значимых факторов. Отсеивание проблем (работа с регрессивными моделями): прямой отбор, обратное исключение, Stepwise, лучшие подмножества.
• Поиск закономерностей в данных: свободный поиск; прогностическое моделирование; анализ исключений; ассоциативные правила.

2. Классификация и регрессия данных

• Ключевые понятия и определения.
• Деревья классификации и регрессии: графическое представление результатов, методика построения моделей, параметры качества построенных моделей, разделение данных на обучающую и контрольную выборки, метод кросс-валидации.
• Другие методики построения деревьев: CHAID модели, Растущие деревья классификации и регрессии (Boosted trees), Случайные леса (Random forests).
• Метод опорных векторов. Ансамбли моделей: бустинг и бэггинг.
• Сравнение качества построенных моделей. Совместное использование построенных моделей. Применение построенных моделей на новых данных.
• Общие знания о классических методах регрессионного анализа: множественная и логистическая регрессии, выбор переменных для анализа, критерий Акаике и Шварца.
• Дискриминантный анализ. Анализ цензурированных данных, Анализ выживаемости.

3. Дополнительные методы анализа данных

• Кластеризация: постановка задачи, ключевые понятия и определения, методы кластеризации. Методы разбиения, Иерархические методы, Плотностные методы, Сетевые методы, Модельные методы, Концептуальная кластеризация.
• Понижение размерности: постановка задачи, методы понижения размерности.
• Поиск информации в текстовых данных. Автоматизация анализа данных, генерирование автоматических отчётов (информация о программном обеспечении).
• Совместное использование методов анализа данных. Классификация методов анализа данных: параметрические, непараметрические и семипараметрические методы.

Теоретические знания будут подкреплены практическими навыками. Слушатели смогут инструментами и методами, представленными в ходе тренинга, обработать собственные массивы данных, классифицировать данные, формировать закономерности, проводить отсев данных и прогнозировать будущие решения для возможности адаптации бизнеса под ключевые показатели деятельности. При подготовке курса есть возможность адаптации тренинга под отраслевую направленность компании Заказчика.