Machine learning in applied problems

2023/2024

Academic Year

RUS

Instruction in Russian

6

ECTS credits

Delivered at:

Joint Department with MTS

Course type:

Elective course

When:

3 year, 3, 4 module

Instructor

Зелинский Никита Ростиславович

Программа дисциплины

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 действия Модуль 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

• 2023/2024 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

Рекомендуемая основная литература

• Prince, S. J. D. (2012). Computer Vision : Models, Learning, and Inference. New York: Cambridge eText. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=458656
• Основы машинного обучения - Лимановская О.В., Алферьева Т.И. - ФЛИНТА - 2022 - https://znanium.com/catalog/product/1891377 - 957065 - ZNANIUM

Рекомендуемая дополнительная литература

• Фальк, К. Рекомендательные системы на практике : руководство / К. Фальк , перевод с английского Д. М. Павлова. — Москва : ДМК Пресс, 2020. — 448 с. — ISBN 978-5-97060-774-9. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/179458 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.