Nostradamus
// KÉPZÉS CÉLJA
Prediktív adatelemzés A-től Z-ig Vajon mennyire lehet előrejelezni a jövőt? Emberiség egyik ősi kérdése. A modern adatelemzési módszertanok segítségével egyre több cég készít ún. prediktív modellt, azaz olyan modellt melynek segítségével előrejelezhető valamilyen mértékben a jövő. Rengeteg elemző eszköz áll rendelkezésünkre ilyen modellek elkészítésére, de önmagában a technológia ismerete nem garancia arra, hogy az elkészült prediktív modell tényleg alkalmas üzleti célú hasznosításra. A kurzus célja a prediktív modellezés lépéseinek részletes bemutatása különböző esettanulmányokon keresztül:- Hogyan jelezzük előre egy értékesítő felmondását
- Hogyan jelezzük előre egy mérkőzés eredményét? És hogy lehet ezzel pénzt keresni? Lehetünk okosabb, mint a fogadási iroda?
- Miért nehéz a csalásokat detektálni? Mit tegyünk, ha a célváltozó “zajos”?
- Hogyan detektálhatók az “alvó oroszlánok”? (nehogy felébresszük őket!)
// KÉPZÉS TEMATIKÁJA
Az előadások tartalmaznak elméleti és gyakorlati blokkokat, ahol a gyakorlatok IBM Watsonban/Modelerben és Pythonban készülnek. A résztvevők a kurzus alatt bemutatott demonstrációs célú Python kódokat megkapják. Elméleti blokk A kurzus első napja a felügyelt tanítás alapjait mutatja be:- Felügyelt tanítások (prediktív modellezés) célja – téveszmék és valóság összehasonlítása
- Felügyelt algoritmusok bemutatása, hol és hogyan alkalmazzák ezeket az üzleti életben
- Tanító és tesztadatbázis létrehozásának alapelvei és csapdái.
- Hogyan csökkentsük a túltanulás valószínűségét vs, hogyan növelhető egy modell időbeli stabilitása?
- Mit tehetünk ha a célváltozó zajos? (fraud detektálás)
- Hogyan értékeljük ki a modelleket (Lift, AUC és társai)?
- Hogyan lehet a üzletileg hasznosítani a kapott modelleket?
- Uplift modellek elméleti háttere és ezek alkalmazása kampányokban.
- Algoritmusok bemutatása: (i) felügyelt algoritmusok (C5.0, Chaid döntési fa, Random Trees, Gradinet boosting, …) és (ii) nem felügyelt algoritmusok (K-Means, Twos-step, …)
- Tanító és tesztadatbázis létrehozása
- Modellezés, algoritmusok paraméterezése, néhány modellezési példa: (i) értékesítők elvándorlásának előrejelzése, (ii) csalás detektálás, (iii) x-sell modell készítése (IBM Modeler, Python)
- Kiértékelő függvények (Gains, Lift, AUC) programozása és alkamazása tanító és teszt adatokon.
// KIKNEK AJÁNLOM?
Adatelemzőknek, adatmérnököknek, BI szakértőknek, de végül is mindenkinek, aki szereti az adatok világát!// MIKOR ÉS HOL?
Napjainkban nagyon népszerűek az online workshopok. Azonban jelenleg kis csoportos foglalkozások keretében tartom a képzéseket (maximálisan 6 fő). A személyes oktatás számomra egy küldetés – hiszek abban, hogy valódi tudásátadás csak személyes keretek közt történhet. A képzés során számos gyakorlati példát oldunk meg. A tapasztalatom az, hogy a közös feladat megoldások inspirálják a hallgatóságot.Cégek kérhetnek kihelyezett tréninget minimum 3 fős létszámtól. Ebben az esetben az időpont és helyszín közös egyeztetés alapján kerül véglegesítésre.