Машинное обучение в прикладных задачах

Бакалавриат 2024/2025

Статус: Курс по выбору (Прикладная математика и информатика)

Направление: 01.03.02. Прикладная математика и информатика

Кто читает: Базовая кафедра МТС

Где читается: Факультет компьютерных наук

Когда читается: 3-й курс, 3, 4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 6

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Курс посвящён специфике применения машинного обучения в широком наборе отраслей бизнеса.Модуль 1 — Оптимизация взаимодействия с клиентом- Рекомендательные системы и поиск: базовые решения на основе популярностей и коллаборативной фильтрации, различие постановок задачи, гибридные методы. Нейросетевые подходы к рекомендациям и поиску. Метрики вовлеченности, точности и разнообразия. Валидация на исторических данных и при внедрении алгоритмов.- Ценообразование на основе данных и прогнозирование спроса: базовая идея оценки эластичности спроса по цене, различие постановок задачи ценообразования в случае ограниченного и динамически меняющегося предложения, обзор решений с помощью машинного обучения, роль прогнозирования спроса в ценообразовании и логистике, различие между спросом на материальные и цифровые товары и услуги.- Скоринг: классическая задача оценки вероятности дефолта, особенности постановки и валидации, популярные подходы, скоринг мошенников, скоринг склонности клиента к произвольному действию (на примере оттока)- Лидогенерация: построение рекламных сегментов на основе правил, расширение и сужение сегментов с помощью look-alike моделей, positive-unlabeled learning, таргетирование рекламы с помощью прогнозов вероятности целевого действияМодуль 2 — Оптимизация расходов бизнеса- Приоритизация инвестиций и оптимизация расходов производства- Детектирование аномалий (примеры: утечки электроэнергии, фродовые продажи, предиктивное обслуживание)- Оптимизация маркетинговых расходов- Оптимизация работы персонала и процессов в компании. Управление мотивацией и численностью. Business process mining.- Автоматизация работы с помощью deep learning. Чат-боты и LLM. Автоматизация с помощью Computer Vision.Модуль 3 — Обзор применений по отраслям- Телеком: планирование развития сети, блокировка спама, продвижение услуг и удержание клиентов в B2C и B2B сегментах. Ритейл и e-commerce: рекомендации, прогноз спроса, ценообразование, управление персоналом (Workforce management)- Банки и FinTech: процесс выдачи кредитов (связь рисков, лимитов и ставок, типы крединтых продуктов и особенности задач), применение машинного обучения для продвижения финансовых услуг и работы с лояльностью клиентов, машинное обучение в управлении личными финансами и инвестициями- Промышленность и сельское хозяйство: оптимизация расходов при производстве, предиктивные ремонты и предиктивное устранение дефектов производства, автоматизация работы персонала- РайдТех: ценообразование в такси, кикшеринге и доставке, прогноз ожидаемого времени прибытия, применение машинного обучения для улучшения пользовательского опыта- Рекламные технологии: инфраструктура для показа digital рекламы и оптимизация открутки рекламы на своем и на внешнем инвентаре, реклама на телевидении, телемаркетинг и наружная реклама - оценка эффективности и оптимизация инвестиций. Медиа: персональные рекомендации контента в видео- и аудио- стриминге, рекомендации текстового контента, трудности оценки инвестиций в контент, рекламные механики на основе computer vision и генеративных моделей

Цель освоения дисциплины

Цель курса — научить студентов использовать машинное обучение для решения прикладных задач.

Планируемые результаты обучения

Владеет понятием алгоритмов на больших данных (рекомендательные системы и интернет-реклама)
Знает теоретические основы машинного обучения: постановку задачи и общий подход к ее решению.
Знает группы факторов, влияющих на ценообразование

Содержание учебной дисциплины

Введение
Рекомендательные системы и поиск
Ценообразование на основе данных и прогнозирование спроса
Скоринг
Uplift и лидогенерация
Приоритизация инвестиций и оптимизация расходов производства
Детектирование аномалий
Оптимизация маркетинговых расходов
Оптимизация работы персонала и процессов в компании
Автоматизация работы с помощью deep learning. Чат-боты и LLM. Автоматизация с помощью Computer Vision
Телеком, Ритейл и e-commerce
Банки и FinTech
Промышленность и сельское хозяйство
RideTech
AdTech

Элементы контроля

Домашнее задание
Первая домашняя работа весит 3 балла. Все остальные домашние задания весят по 5 баллов.
Экзамен
Устный экзамен по материалам лекций и семинаров.

Промежуточная аттестация

2024/2025 4th module
Сумма баллов за домашние задания нормируется на шкалу от 0 до 10. Если студент не согласен с итоговой оценкой – он может прийти на экзамен, тогда оценка будет выставлена как максимум между оценкой за ДЗ и оценкой на экзамене.

Список литературы

Авторы

Кононова Елизавета Дмитриевна

Программа дисциплины