Прием заявок на участие

• Как настроить компьютер для обучения ML-моделей: установка Python, Jupyter Notebook и все необходимые библиотеки;
• Как собрать обучающий датасет в AW и получить к нему доступ из Jupyter Notebook;
• Как обучить ML-модель на своем компьютере;
• Как зарегистрировать обученную ML-модель во внутреннем реестре AW;
• Как применить обученную ML-модель в моделях AW BI

Содержание данной лекции будет также продублировано в виде статьи в нашем портале https://community.analyticworkspace.ru/, поскольку регистрация идет до 20 сентября

• Удержание клиентов. При работе с оттоком важно: понимать (аналитические дашборды), предсказывать (ML) и улучшать (аналитика + ML)
• Применение ML-моделей в предсказании вероятности ухода клиента через определенный срок.
• Как увеличить ядро аудитории? Опора на эксперименты.

• Основные знания о языке программирования Python и их использование для работы с датафреймами Pandas и PySpark

• Как использовать Python внутри AW BI: подготовка ETL-скриптов, использование ETL-блоков

• Что такое машинное обучение, какие задачи решает, какие методы применяются

• Как подключать источники, джойнить таблицы, чистить данные, создавать новые признаки, выгружать датасет в Jupyter Notebook для дальнейшего обучения ML-модели

• Выбор метода обучения, запуск обучения, оптимизация ML-модели, регистрация модели во внутреннем реестре AW BI

• Использование обученной ML модели внутри AW для реализации возможностей предиктивной аналитики

• Визуализация ML-прогнозирования на дашбордах в Analytic Workspace.
• Выдача конкурсного задания