2023/2024

Предиктивная аналитика логистики и цепей поставок

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

Программа 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

Список литературы

Рекомендуемая основная литература

• Gareth James, Daniela Witten, Trevor Hastie, & Robert Tibshirani. (2013). An Introduction to Statistical Learning : With Applications in R. Springer.
• James, G. et al. An introduction to statistical learning. – Springer, 2013. – 426 pp.
• Бизнес - аналитика: от данных к знаниям (+CD) : учеб. пособие, Паклин, Н. Б., 2010

Рекомендуемая дополнительная литература

• Лебедева, Т. В. Анализ временных рядов и бизнес-прогнозирование : учебно-методическое пособие / Т. В. Лебедева. — Оренбург : ОГУ, 2018. — 240 с. — ISBN 978-5-7410-2205-4. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/159738 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
• Предиктивное моделирование на практике - 978-5-4461-1039-1 - Кун Макс, Джонсон Кьелл - 2019 - Санкт-Петербург: Питер - https://ibooks.ru/bookshelf/365287 - 365287 - iBOOKS

Авторы

• Заходякин Глеб Викторович