Data Science для нетехнічних спеціалістів

Вступна лекція. Робота з даними

Розберемося, які існують типи даних і чому вони важливі для проєкту. Дізнаємося, де можна брати дані, як всередині вашого проєкту, так і за його межами (які джерела даних існують) Розглянемо, які види Data Science існують. Порівняємо позиції Data Engineer та Data Analyst і дізнаємося їхні основні відмінності, а також — де закінчується їх зона відповідальності і починається робота менеджера. Проведемо воркшоп із підготовки даних для тренування моделі на прикладі e-commerce.

Написання SQL запитів

Вивчимо основні артефакти даних: бази даних, таблиці, атрибути. Поговоримо про Big Data і яку користь від цього можна мати. Розглянемо, коли використовувати SQL, а коли віддати перевагу NoSQL. Попрактикуємось в написанні базових запитів:
✓ Вчимося створювати вибірки даних (SELECT)
✓ З’єднуємо таблиці (JOIN)
✓ Збираємо дані (AGGREGATIONS)

Вибір правильного підходу в DS

Розглянемо, які типи навчання існують, і оберемо серед них правильний під конкретну задачу. Дізнаємося, які завдання можна вирішити за допомогою DS\ML і що потрібно для початку впровадження технології у своєму проєкті, розібравши:
✓ як визначити проблему для вирішення;
✓ як сформувати гіпотезу зростання;
✓ як оцінити вплив гіпотези на продукт;
✓ які бізнес ресурси потрібні для початку роботи над гіпотезою.

Побудова моделі

Розглянемо типову архітектуру DS\ML проєкту. Побудуємо модель власноруч, щоб зрозуміти, як створити MVP вашого Data Science проєкту. Навчимося оцінювати результат роботи моделі. Розберемося, які критерії якості моделі існують і куди повинен дивитися менеджер, щоб перевірити підсумки роботи Machine Learning команди. Проведемо воркшоп із визначення ML моделі для чотирьох типів завдань:
✓ ціноутворення;
✓ класифікація відгуків;
✓ розпізнавання зображення;
✓ побудова чат-бота
Використаємо ігрові практики і доведемо, що практично будь-яке завдання можна поліпшити, використовуючи ML модель.

Побудова Machine Learning команди всередині компанії

Дізнаємося, як побудувати Machine Learning команду і кого треба наймати для створення MVP вашого проєкту. Розберемося із зонами відповідальності на етапі MVP і за повного циклу розробки. Покроково визначимо, як впроваджувати Data Science в вашому проєкті або продукті. Розглянемо Agile практики з управління DS/ML проєктами і чим вони відрізняються від традиційної розробки.