Машинное обучение для анализа данных
Строим модели, которые прогнозируют, на реальных кейсах компаний Кыргызстана
Для кого: аналитики, выпускники курса SQL DATUM, сотрудники банков, телекома, ритейла и госсектора, студенты экономических и IT-направлений.
Требования: базовый Python и pandas. Вводный модуль-разминка входит в курс.
Формат: 6 модулей, 18 уроков, видео, практика в Google Colab (без установки), квизы, задания, финальный экзамен и проект.
Стоимость: 20 000 сом (единоразово) + регулярные очные консультации для всех студентов.
Результаты курса
После курса вы сможете:
- поставить бизнес-задачу как задачу ML и выбрать метрику;
- подготовить данные и собрать pipeline в scikit-learn;
- строить и сравнивать модели регрессии, классификации и кластеризации;
- объяснить модель руководителю (SHAP, важность признаков);
- показать в портфолио 6 проектов на локальных данных.
Программа
Модуль 0. Разминка: Python и pandas для ML (необязательный)
Модуль 1. Первая модель: от данных к прогнозу
Кейс: агентство недвижимости «BishkekDom»
- 1.1 Что такое ML: задачи, типы обучения, жизненный цикл модели
- 1.2 EDA и подготовка данных: пропуски, выбросы, кодирование, масштабирование
- 1.3 Первая модель и train/test split; утечка данных и переобучение
Модуль 2. Регрессия: прогнозируем числа
Кейс: энергокомпания «ЭнергоСбыт KG» — прогноз потребления
- 2.1 Линейная регрессия и интерпретация коэффициентов
- 2.2 Метрики MAE, RMSE, R²; регуляризация Ridge/Lasso
- 2.3 Feature engineering и Pipeline
Модуль 3. Классификация: да или нет?
Кейс: МФО «Капитал Кредит» — кредитный скоринг
- 3.1 Логистическая регрессия и kNN
- 3.2 Матрица ошибок, precision/recall, ROC-AUC
- 3.3 Дисбаланс классов и выбор порога по стоимости ошибки
Модуль 4. Деревья, ансамбли и настройка моделей
Кейс: телеком «MegaCell» — прогноз оттока клиентов
- 4.1 Деревья решений и Random Forest
- 4.2 Градиентный бустинг (CatBoost/LightGBM)
- 4.3 Кросс-валидация и подбор гиперпараметров
Модуль 5. Обучение без учителя
Кейс: сеть «Народный» — сегментация покупателей
- 5.1 K-means и выбор числа кластеров
- 5.2 Иерархическая кластеризация и PCA
- 5.3 Превращаем сегменты в маркетинговые решения
Модуль 6. Финальный проект: от модели к бизнесу
Кейс: «Ала-Тоо Страхование» — прогноз страховых убытков
- 6.1 Интерпретация моделей: SHAP и важность признаков
- 6.2 Ответственный ML: смещение, справедливость, ИИ-ассистенты в работе
- 6.3 Проект под ключ: модель, бизнес-меморандум, демо в Streamlit
- Финальный экзамен: 25 вопросов
Каждый модуль включает
Вводную страницу с кейсом, 3 урока (видео + ноутбук Colab), квиз LearnDash, практическое задание и датасет компании.
Сертификат
Выдаётся после сдачи экзамена и защиты финального проекта.
