Предиктивная аналитика логистики и цепей поставок

2023/2024

Лучший по критерию «Полезность курса для Вашей будущей карьеры»

Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»

Лучший по критерию «Новизна полученных знаний»

Статус: Маго-лего

Кто читает: Департамент бизнес-информатики

Когда читается: 2 модуль

Охват аудитории: для всех кампусов НИУ ВШЭ

Преподаватели: Заходякин Глеб Викторович

Язык: русский

Кредиты: 3

Контактные часы: 24

Полная версия программы учебной дисциплины

Аннотация

Данная дисциплина по выбору знакомит студентов с основными концепциями предиктивного моделирования, а также с практическим применением предиктивных моделей в сфере логистики и управления цепями поставок. Слушатели научатся самостоятельно строить и интерпретировать предиктивные модели с использованием low-code аналитической платформы Orange.

Цель освоения дисциплины

Формирование у студентов системного взгляда на возможности и ограничения применения машинного обучения. Приобретение практического опыта использования алгоритмов анализа данных и базовых инструментов обработки данных для решения бизнес-задач

Планируемые результаты обучения

Знает для решения каких задач в модель линейной регрессии включаются эффекты взаимодействия
Знает требования к данным для построения моделей линейной регрессии
Знает основные методы решения задачи регрессии, способы оценки ошибки предсказания
Знает основные метрики качества для регрессии и классификации
Объясняет сущность задачи предиктивного моделирования в бизнесе, а также функциональные различия между описательной и расширенной бизнес-аналитикой.
Владеет основными подходами к оценке качества в задачах классификации и регрессии
Владеет понятием линейной регрессии; лассо-регрессии; гребневой регрессии. Знает ошибки модели в задачах регрессии. Владеет понятием метрик качества.
Оценивает параметры линейной модели регрессии
Оценивать качество модели множественной регрессии
студент может своими словами объяснить отличия задач описательной, предиктивной и прескриптивной аналитики
Умеет строить и интерпретировать классификаторы на основе модели логистической регрессии
Умеет оценивать качество классификторов с помощью метрик
Умеет строить классификаторы с помощью дерева решений
Умеет строить модели классификации и регрессии с использованием ансамблевых алгоритмов (случайный лес, бустинг)
Умеет интерпретировать вклад признаков в прогноз и оценивать важность признаков

Содержание учебной дисциплины

Основные понятия предиктивной аналитики для бизнеса
Задача регрессии
Задача классификации
Ансамбли моделей. Объяснимые модели машинного обучения.

Элементы контроля

Доклад
В докладе необходимо проанализировать и представить бизнес-кейс применения предиктивного моделирования в логистике и управлении цепями поставок. Доклад - это групповое задание. На каждое занятие будет предложен тема доклада, можно выбрать тему и подготовить доклад в небольшой группе до 3 человек. Доклад необходимо сделать во время онлайн-занятия по курсу.
Активность
Баллы за активность выставляются за: - Участие в дискуссиях по докладам (кейсам) использования предиктивной аналитики - не более одного балла за занятие - Решение задач во время занятия или в рамках самостоятельной работы. Для получения максимальной оценки необходимо набрать 10 баллов.
ДЗ
Домашние задания предназначены для отработки и закрепления навыков моделирования и применения предиктивных моделей. Задание групповые, могут выполняться в командах до 3 человек или индивидуально.
Проект
В итоговом проекте необходимо решить выбранную студентом самостоятельно бизнес-задачу с применением предиктивного моделирования. Это групповая работа, в команде может участвовать до 3 человек.

Промежуточная аттестация

2023/2024 учебный год 2 модуль
0.2 * Активность + 0.25 * ДЗ + 0.15 * Доклад + 0.4 * Проект

Программа дисциплины