Vojtěch Filipec, Data Science
Twisto payments a.s.
Popis
Cílem kurzu je vysvětlit, kdy je vhodné do firemního rozhodování zapojit prediktivní metody (tj. předpovídání budoucího vývoje ze současných dat) a také jaké tipy prediktivních modelů se hodí pro který problém. Lektor objasní principy nejčastěji používaných typů regresních a klasifikačních modelů (lineární a logistická regrese, rozhodovací a klasifikační stromy a neuronové sítě) a ukáže silné a slabé stránky těchto metod. V případě zájmu bude část kurzu probíhat formou veřejné konzultace, kdy účastníci mohou představit problém, jež by chtěli prediktivní analýzou, a získat doporučení lektora.
1. co je to prediktivní analýza: objasnění kategorií regrese a klasifikace
2. analýza historických dat reálného světa: expertní pohled je žádaný
3. dva možné přístupy k modelování: statistická analýza vs. strojové učení
4. životní cyklus modelu: Vývoj modelu -> implementace -> pravidelný monitoring kvality výstupu. Jak určit přesnost modelu?: metody validace a používané statistiky
5. modely pro předpovědi vs. modely pro určení vlivu jednotlivé proměnné (inference)
6. lineární regrese (a její varianty): jednoduchá a překvapivě často použitelná metoda, didakticky vhodná, analyticky řešitelná, ilustrace rozdílu statistického přístupu a strojového učení
7. logistická regrese
8. rozhodovací a regresní stromy
9. náhodné lesy
10. neuronové sítě
Popis Cílem kurzu je vysvětlit, kdy je vhodné do firemního rozhodování zapojit prediktivní metody (tj. předpovídání budoucího vývoje ze současných dat) a také jaké tipy prediktivních modelů se hodí pro který problém. Lektor objasní principy nejčastěji používaných typů regresních a klasifikačních modelů (lineární a logistická regrese, rozhodovací a klasifikační stromy a neuronové sítě) a ukáže silné a slabé stránky těchto metod. V případě zájmu bude část kurzu probíhat formou veřejné konzultace, kdy účastníci mohou představit problém, jež by chtěli prediktivní analýzou, a získat doporučení lektora. 1. co je to prediktivní analýza: objasnění kategorií regrese a klasifikace 2. analýza historických dat reálného světa: expertní pohled je žádaný 3. dva možné přístupy k modelování: statistická analýza vs. strojové učení 4. životní cyklus modelu: Vývoj modelu -> implementace -> pravidelný monitoring kvality výstupu. Jak určit přesnost modelu?: metody validace a používané statistiky 5. modely pro předpovědi vs. modely pro určení vlivu jednotlivé proměnné (inference) 6. lineární regrese (a její varianty): jednoduchá a překvapivě často použitelná metoda, didakticky vhodná, analyticky řešitelná, ilustrace rozdílu statistického přístupu a strojového učení 7. logistická regrese 8. rozhodovací a regresní stromy 9. náhodné lesy 10. neuronové sítě |
Tento seminář předpokládá znalosti na úrovni kurzu Statistika pro analytiky