Аналитик данных

В результате освоения программы слушатель должен знать:

классификацию типов наборов данных; методы сбора и подготовки исходных данных; методы работы с датасетами в R (объединение, селекция, фильтрация, и др.); методы графической поддержки аналитических исследования; методы формирования отчетов в Markdown; методы формирования шайни-документов (графические объекты), в том числе картограммы; технологии семплирования для получения сбалансированных выборок; основные современные методы анализа количественных и факторных данных; методы валидации и кросс-валидации при обучении алгоритмов машинного обучения; алгоритмы машинного обучения – бинарные модели регрессии, модели регрессии (метод лассо и гребневой регрессии); байесовские классификаторы, алгоритмы бустинга, методы деревьев решений и случайного леса);

В результате освоения программы слушатель должен знать:

ансамблевые процедуры в машинном обучения; алгоритмы обработки входной информации, с применением современных инструментальных средств; методы предварительной обработки информации (метод главных компонент, кластерный анализ) для возможности применения продвинутых методов анализа данных; метрики качества для оценки алгоритмов машинного обучения; методы опорных векторов для решения задач классификации; методы подбора нелинейного ядра для решения задач методом опорных векторов; методы работы с виртуальной машиной; методы парсинга данных в сети интернет; структуру HTML документа, структуру и параметры HTML тегов, объектную модель DOM; методы интеграции решений на R в Информационные системы.

В результате освоения программы слушатель должен уметь:

проводить качественную чистку данных, проводить восполнение данных; восполнять выборку до сбалансированного объема; проводить процедуры валидации и кросс-валидации для обучения алгоритмов машинного обучения; использовать метрики качества для оценки алгоритмов машинного обучения; использовать алгоритмы машинного обучения для решения задач классификации; использовать алгоритмы машинного обучения для решения задач регрессии; проводить ансамблирование алгоритмов машинного обучения для повышения точности решения задач классификации и регрессии;

В результате освоения программы слушатель должен уметь:

применять техники сэмплирования для восполнения баланса выборок, используя средства среды R Studio; строить модели на основе алгоритмов машинного обучения для решения задач регрессии и классификации; использовать методы машины опорных векторов для задач классификации; использовать наивный байесовский классификатор для классификации текстовых сообщений; проводить оценку качества алгоритмов машинного обучения; ориентироваться в стандарте исключений для роботов сайта; извлекать HTML тексты и анализировать их содержимое с помощью библиотек R; формировать отчеты в R Markdown в виде pdf, Word и HTML страниц ( в том числе проводить широкую графическую поддержку анализа).