• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2021/2022

Data Science и применение искусственного интеллекта в маркетинге

Направление: 38.04.02. Менеджмент
Когда читается: 2-й курс, 1, 2 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Прогр. обучения: Маркетинг: цифровые технологии и маркетинговые коммуникации
Язык: русский
Кредиты: 4

Программа дисциплины

Аннотация

This programme aims to bridge the gap between business and technology. The course is the first step for understanding the digital transformation strategy. Designed for masters in business and administration seeking to understand the possibilities of AI in marketing practices across multiple functions and industries. It is also applicable for technical professionals, IT managers, senior and middle managers and business analysts looking to better understand how AI can be implemented within organisations. During the course fundamental programming concepts including data structures, networked application program interfaces, and databases, using the Python programming language will be introduced. The link to the MOOC course Python for Everybody: https://www.coursera.org/specializations/python#courses Курс направлен на преодоление разрыва между бизнесом и технологиями. Курс является первым шагом к пониманию стратегии цифровой трансформации c использованием искусственного интеллекта. Курс предназначен для магистров, руководителей бизнеса и администрирования, которые хотят понять возможности ИИ в маркетинговой практике в различных сферах деятельности. Он также применим для технических специалистов, ИТ-менеджеров, руководителей высшего и среднего звена и бизнес-аналитиков, которые хотят лучше понять, как ИИ может быть реализован в организациях. Для успешного выполнения прикладного проекта с использованием ИИ на деле необходимы базовые навыки программирования на языке Python. В случае отсутствия этих знаний их можно будет параллельно с курсом самостоятельно восполнить, пройдя на «Демокурс «Аналитика Данных» (https://stepik.org/course/74457/syllabus)
Цель освоения дисциплины

Цель освоения дисциплины

  • Повысить профессиональный уровень понимания полного цикла шагов для прикладных маркетинговых задач, которые можно решать с использованием искусственного интеллекта.
  • Сформировать прикладные навыки использования и выверки результатов работы искусственного интеллекта с применением языка Python в построении и аналитике маркетинговой стратегии.
  • Сформировать навыки доступного объяснения маркетинговых предложений бизнес-клиентам для понимания, как предлагаемые технологии стимулируют решение необходимых бизнес-задач.
Планируемые результаты обучения

Планируемые результаты обучения

  • Объяснять основные принципы работы искусственного интеллекта и его ограничения
  • Определять типы задач, которые можно решать с помощью искусственного интеллекта в маркетинге
  • Определять бизнес-эффективность внедрения методов искусственного интеллекта в маркетинг и принимать решение о целесообразности этого внедрения.
  • Оценивать качество нейросетевых моделей и интерпретировать их результаты для основных задач применения ИИ в маркетинге (с использованием языка Python)
  • Оценивать качество нейросетевых моделей и интерпретировать их результаты для основных задач применения ИИ в маркетинге (с использованием языка Python)
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Искусственный интеллект в маркетинге. Введение
    Понятие искусственного интеллекта и сфер его применения в маркетинге. Трансформация комплекса маркетинга с появлением искусственного интеллекта в бизнесе на базе закономерностей развития социо-технических систем. Задачи, решаемые с помощью ИИ. Какие данные и ресурсы необходимы для эффективного внедрения ИИ. Планирование и оценка рисков внедрения ИИ в бизнес. Изучение основных концепций машинного обучения. Сравнение существующих методов с целями и задачами компании и отдела маркетинга.
  • Верификация данных и бизнес-анализ
    Постановка задачи для ИИ. Алгоритмы верификации данных, поставляемых бизнесом. Определение аномалий в данных. Методы выверки качества научно-прикладных статей для применения в маркетинговых стратегиях поведения клиентов. Бизнес-анализ и стратегии вычленения ключевой информации из больших данных бизнеса.
  • Классическое машинное обучение: Решение задачи кластеризации, класификации и регрессии
    Постановка задач и области применимости в маркетинге. Ведущие алгоритмы и метрики качества. Дорожная карта развитий личных компетенций в машинном обучении. Карта компаний российского рынка для поиска подрядчиков на основные AI-проекты.
  • Deep Learning – 1: Обработка естественного языка в маркетинге (NLP).
    Стандартные задачи, решаемые с помощью технологии обработки естественного языка. Алгоритмы NLP. Библиотеки и фреймворки Python, применяемые в NLP. Кейсы применения NLP в маркетинге
  • Deep Learning – 2: Компьютерное зрение и его применение в решении задач маркетинга (CV)
    Задачи, решаемые с помощью технологии компьютерного зрения. Алгоритмы СV. Библиотеки и фреймворки Python, применяемые в СV. Кейсы применения CV в маркетинге
Элементы контроля

Элементы контроля

  • неблокирующий Домашние задания
    2 домашних задания: 1) Проект на задачу кластеризации (задача на точки размещения оффлайн рекламы) или задачу классификации (рекомендательная система) - на выбор 2)NLP задача (обработки тональности отзывов) или CV задача (обработка изображений для рекламных сообщений)
  • неблокирующий Групповой проект
    Группе из 6-7 студентов необходимо применить свои знания в области анализа данных и веб-скрапинга для решения задачи сравнения двух выборок. Полное описание и ТЗ проекта будут предоставлены студентам на семинарских занятиях
  • блокирующий Exam
    Письменный экзамен с 10 открытыми вопросами. Округляться будет только итоговая оценка за курс методом арифметического округления, это поможет избежать двойного округления.
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (2 модуль)
    0.5 * Exam + 0.3 * Групповой проект + 0.2 * Домашние задания
Список литературы

Список литературы

Рекомендуемая основная литература

  • Computer age statistical inference : algorithms, evidence, and data science, Efron, B., Hastie, T., 2017
  • Data Science : наука о данных с нуля, Грас, Дж., Логунова, А., 2018
  • High-dimensional probability : an introduction with applications in data science, Vershynin, R., 2018
  • The data science handbook, Cady, F., 2017
  • Основы Data Science и Big data : Python и наука о данных, Силен, Д., Мейсман, А., 2017
  • Основы Data Science и Big Data. Python и наука о данных : пер. с англ., Силен, Д., Мейсман, А., 2018

Рекомендуемая дополнительная литература

  • Data science for business, Provost, F., Fawcett, T., 2013
  • Data science from scratch, Cooper, S., 2018
  • Methods for Data science. Vol.1: Introductory applied mathematics, Godfrey, J., 2015