Управление продажами на основе искусственного интеллекта и машинного обучения

​​​​​​​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 Фи​нансовом 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

IMG_43201round.png     
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: