Содержание
- 2. Всем привет! Мансур Кадимов, управляющий партнер Reshape Analytics Больше 11 лет опыта в аналитике: Цепи поставок
- 3. Чтоб понять, какие инструменты к каким аналитическим задачам применимы, нужно сначала ответить на вопрос: − Какие
- 4. Знакомая аббревиатура? PDCA Алгоритм управления и достижения целей Все ли тут очевидно?
- 5. Ёмкие слова оставляют пространство для интерпретаций Установка целей, планирование работ и распределения ресурсов Выполнение запланированного Сбор
- 6. При каком управленческом методе проще делать аналитику? Каскадный метод Длинные циклы Одновременно редко больше одного Времени
- 7. Каждый метод управления несет свои сложности для аналитики Каскадный метод Цели на дальний горизонт формулируются сложнее
- 8. Понимание бизнеса, которое нужно до старта аналитических работ Цели и причины анализа Целевая аудитория, сценарий использования
- 9. Концепция, о которой нельзя забывать Аналитические технологии могут быть очень мощными, результаты вдохновляющими, но без комплексного
- 10. Четыре аналитических подхода
- 11. Описательная аналитика Отвечает на вопрос: что происходит сейчас или было в прошлом (сколько, когда, где)? Кейсы:
- 12. Диагностическая аналитика Отвечает на вопрос: что это, почему это происходит, на что обратить внимание? Кейсы: сравнение
- 13. Предиктивная аналитика Отвечает на вопрос: есть ли паттерн? что может произойти в будущем? Кейсы: прогнозирование объема
- 14. Предписывающая аналитика Отвечает на вопросы: что-если? как лучше всего поступить? Кейсы: разработка стратегий, оптимизация портфеля, поиск
- 15. Сетевые базы данных MS SQL, Teradata, Greenplum, MySQL, SAP HANA Облачные БД Google, Amazon Мониторинг и
- 16. Машинное обучение – это класс интеллектуальных алгоритмов (моделей), способных самообучаться на основе обобщения прецедентов и не
- 17. Обучение с учителем Машинное обучение на основании известных пар правильных ответов и «ситуаций» (предпосылок) с предсказанием
- 18. Обучение без учителя Доступны только «ситуации», правильных ответов – нет, необходимо описать и дополнить «ситуации» новыми
- 19. А учитель кто? Не совсем анализ данных ☺
- 20. У машинного обучения очень много разных применений И даже генерация программного кода на основе изображений!!
- 21. На что нужно обращать внимание, используя машинное обучение Некоторые методы функционируют как «черный ящик», правила которого
- 22. Аналитический процесс
- 23. Корреляционный анализ – метод исследования данных Используется с целью обнаружение неизвестных связей между явлениями и измерения
- 24. Считаем корреляцию 5. Для последовательных во времени наблюдений можно посчитать автокорреляцию как зависимость исторических значений от
- 25. Пользуйтесь, но со знанием дела: Возможна ложная корреляция: корреляция ничего не говорит причинно-следственных связях!
- 26. Обучение с учителем. Регрессия как инструмент моделирования Чаще всего используется для прогнозирования числовых переменных (линейная регрессия),
- 27. Исходная выборка Начинайте с одного независимого параметра (простой регрессии) Меньше независимых параметров в множественной регрессии –
- 28. Построили и смотрим: P-значение меньше 0.05, значит результат статистически значим для конфигурации исходной выборки R-квадрат –
- 29. Рекомендации Машинное обучение простыми словами http://vas3k.ru/blog/machine_learning/ Марафон по Tableau http://tableau.pro/m01, http://tableau.pro/m02 и т.д. Блог «Путь война.
- 30. К семинару Скачайте Loginom Academic https://loginom.ru/downloads Откройте справку и изучите как минимум Быстрый старт Скачайте датасет
- 32. Скачать презентацию