Курс начинается с фундаментальных принципов статистического обучения. Слушатели разбираются в подготовке данных, строят регрессионные модели на больших массивах информации. Изучают фильтрацию Калмана и нелинейное сглаживание. На практике закрепляют знания через создание полиномиальной регрессии и рекуррентного сглаживания.
Далее курс охватывает технологии поддержки принятия решений. Рассматриваются многокритериальные методы и создается макет ERP-системы. В блоке интеллектуального анализа данных студенты работают с OLAP, Data Mining и Text Mining через практические мини-проекты.
Этот модуль посвящен классическим методам машинного обучения. Слушатели изучают классификацию, кластеризацию и обнаружение аномалий. Каждый теоретический блок подкрепляется воркшопом и практическим заданием. Завершается модуль основами искусственных нейронных сетей, где студенты создают собственные сети на практике.
Последняя часть курса фокусируется на конкретных отраслях применения. Студенты разрабатывают модули для прогнозирования показателей торговых компаний. Работают с кредитными рисками в банковской сфере через SCORING-анализ. Изучают геоинформационные системы и создают макет GIS-системы для анализа пространственных данных.
Курс включает авторские методики разработки и многочисленные практические кейсы. Участники получают доступ к материалам на полгода после завершения. В течение обучения создаются рабочие модели для портфолио. Четыре воркшопа помогают закрепить теоретические знания на практике.