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.