Машинное обучение на практике

• Какие задачи хорошо решаются машинным обучением, а какие им пытаются решать.
• Что произойдёт, если вместо Data Scientist взять неспециалиста в данной области (просто разработчика/аналитика/менеджера) с ожиданием, что в процессе научится.

• Как разобраться в исходных бизнес-данных (и вообще обнаружить в них какой бы то ни было порядок).
• Последовательность обработки.
• Что можно и нужно переложить на аналитиков предметной области, а что лучше сделать самому Data Scientist.
• Приоритеты решения конкретной задачи.

• Практический раздел - хорошо формализованные задачи с подготовленными данными.
• Разница между задачами (бинарная/небинарная/вероятностная классификация, регрессии), перераспределение задач между классами.
• Примеры классификации практических задач.

• Где и как проводить кластеризацию: исследование данных, проверка постановки задачи, проверки результатов.
• Какие случаи можно свести к кластеризации.

• Бизнес-метрики и технические метрики.
• Метрики для задач классификации и регрессии, матрица ошибок.
• Внутренние и внешние метрики качества кластеризации.
• Кросс-валидация.
• Оценка переобучения.

• Что делает одну модель лучше другой: параметры, признаки, ансамбли.
• Управление параметрами.
• Практика выбора признаков.
• Обзор инструментария для поиска лучших параметров, признаков и методов.

• Как доступно объяснить происходящее: себе, команде, клиенту.
• Более красивые ответы на бессмысленные вопросы.
• Как презентовать три терабайта результатов на одном слайде.
• Полуавтоматические тесты, какие точки контроля процесса действительно нужны.
• От живых задач к полному R&D процессу («НИОКР на практике») – разбор и анализ задач от аудитории.