Практическая краткосрочная программа повышения квалификации «Управление продажами на основе искусственного интеллекта и машинного обучения» направлена на развитие компетенций в области теории и практики создания систем машинного обучения для использования в компаниях различных направлений бизнеса: розничной торговли товарами и услугами, в том числе e-commerce, финансовых компаниях, стартапах и других в целях анализа и повышения объема продаж товаров и услуг.
Искусственный интеллект и машинное обучение стали неотъемлемой частью эволюции технологий, продаж, маркетинга и бизнеса. В процессе обучения на данном курсе вы получите реальный опыт и знание того, как искусственный интеллект и машинное обучение работают на практике.
Спрос на специалистов в данной сфере стремительно растет и уже вышел за пределы ИТ-компаний, они становятся все более востребованными в продажах, маркетинге, финансах и даже HR.
По результатам обучения вы сможете:
- находить и оценивать возможности применения систем искусственного интеллекта для решения прикладных задач, влияющих на повышение качества реализуемых товаров и услуг, повышения лояльности клиентов и объема продаж;
- решать конкретные бизнес-задачи и работать с данными с помощью машинного обучения.;
самостоятельно проектировать и реализовывать интеллектуальные информационные системы прогнозирования спроса, продаж, доходов, оттока клиентов, сегментирования потребителей, разработки рекомендательных систем, основанных на современных технологиях машинного обучения и обработки больших данных.
Краткая программа учебного курса
Модуль 1. Введение в машинное обучение
Алгоритмы машинного обучения: классификация с обучением, кластеризация, регрессия, поиск аномалий. Принципы анализа текстовой и графической информации, эмоциональной окраски текстов. Принципы создания рекомендательных систем. Интеллектуальные сервисы и чат-боты. Нейросетевые технологии: проблемы, решаемые искусственными нейронными сетями, основные направления применения нейросетевых технологий. Перспективы развития систем обработки больших данных и машинного обучения. Примеры задач машинного обучения в банковском маркетинге, работе с клиентами, операционной деятельности, управлении рисками. Финансовые технологии, основанные на обработке данных и машинном обучении: интеллектуальные кредитные сервисы, интеллектуальные страховые сервисы, интеллектуальные сервисы интернета вещей. Примеры проектов. Обзор современных технологий машинного обучения: R, Python, Spark. Демократизация искусственного интеллекта. Искусственный интеллект без программирования. Microsoft Azure Machine Learning, IBM Watson Machine Learning.
Модуль 2. Практическое использование моделей классификации в задаче кредитного скоринга
Задача кредитного скоринга. Задача прогнозирования оттока клиентов. Модель логистической регрессии. Методы оценки качества моделей классификации. Модели деревьев и лесов решений. Бустинг деревьев решений. Нейронные сети и машины опорных векторов. Технологическая реализация моделей машинного обучения в Microsoft Azure Machine Learning. Технологии улучшения моделей машинного обучения.
Практическая работа: Построение системы кредитного скоринга (kaggle).
Модуль 3. Практическое использование моделей регрессии в задачах прогнозирования спроса, продаж, доходов
Задачи прогнозирования спроса, продаж, доходов. Модель множественной линейной регрессии. Методы оценки качества моделей регрессии. Использование моделей деревьев, лесов, нейронных сетей для прогнозирования.
Практическая работа: Построение системы прогнозирования продаж (kaggle).
Модуль 4. Практическое использование моделей кластерного анализа в задаче сегментирования потребителей
Кластерный анализ. Задача сегментирования потребителей. Метод К-средних. Методы оценки качества моделей кластерного анализа.
Практическая работа: Сегментирование потребителей.
Модуль 5. Анализ аномалий, рекомендательные системы и анализ текстовой информации в финансах
Поиск аномалий. Задача поиска мошеннических трансакций. Принципы анализа текстовой информации. Принципы анализа эмоциональной окраски текстов.
Практическая работа: Анализ эмоциональной окраски записей в социальных сетях.
Принципы создания рекомендательных систем. Практическая работа: Построение рекомендательного сервиса.
Объем программы составляет 36 академических часов.
Форма обучения – лекции и практические занятия с 18.50 до 22.00 в Финансовом университете по адресу Ленинградский пр-кт, д. 51, корп. 1.
Стоимость обучения - 32 000 руб.
По результатам освоения программы вы получаете удостоверение о повышении квалификации установленного образца Финансового университета при Правительстве Российской Федерации.
Преподаватель курса
Соловьев Владимир Игоревич
д.э.н., профессор, Руководитель Департамента анализа данных, принятия решений и финансовых технологий Финансового университета, лауреат премий CEEMAN Champion Award, «Проект года» Официального сообщества ИТ-директоров России GlobalCIO и других. Работает в области информационных технологий с 1990 года. Реализовал различные проекты в области анализа финансовых рынков, моделирования умных производств, промышленного, финансового и образовательного интернета вещей, а также в области искусственного интеллекта и обработки данных.для компаний из финансовой отрасли и реального сектора экономики. Автор 20 книг, более 100 научных статей и более 30 статей в профессиональных IT-журналах.
Обладает профессиональными статусами в области наук о данных: Charter Member, Microsoft Professional Program for Data Science Microsoft Certified Solutions Expert (Data Management and Analytics), Microsoft Certified Solutions Associate (Machine Learning), Microsoft Certified Solutions Associate (Data Engineering with Azure), Microsoft Certified Trainer.
Программа обучения 
ППК-07 Управление продажами на основе искусственного интеллекта и машинного обучения.pdf
ЗАПИШИТЕСЬ НА ОБУЧЕНИЕ:
