A kapcsolódó kulcsszavak mögött megjelenő gondolatok, a mesterséges intelligencia és a big data népszerűsége mögötti mozgatórugók
Adatok szerepe, a szervezeteket megváltoztató hatásának háttere
Adat mint vagyonelem, kapcsolódó társadalmi stratégiák
Tipikus alkalmazási területek banki, távközlési, értékesítési környezetben
Big data jelenség, data science megjelenésének oka, data science területek azonosítása

Az első félnapos bevezető során azt vizsgáljuk meg, milyen módon vált a data science területe az IT egyik kiemelt irányává, milyen módon kapcsolódik be ez a modern gazdaságba, társadalmak működésébe, mi az oka annak, hogy a mainstream médiában naponta olvashatunk a témába vágó cikkeket, milyen hatással van ez magára a szakmai területre, milyen módon érdemes emiatt megtanulni ezt a területet 2020 végén.

Regressziós feladat megoldása sklearn csomag segítségével
CRISP-DM metodika, mint az adatelemzési projekteket támogató menedzsment standard
Lineáris regresszió és a döntési fa fogalmának bevezetése
Lakás hirdetési adatok elemzése, árelőrejelzés építése
Regressziós módszerek kiértékelése, kiértékelő függvények jelentősége
Adatelőkészítés hatása a modell hatékonyságára, dummy változók képzése

Elsőként a regressziós alapfeladat demonstrálására egy ingatlan hirdetéseket tartalmazó adathalmaz segítségével előrejelzést készítünk arra, hogyan lehet automatikusan kiemelni az alul vagy felülértékelt lakásokat. A gyakorlati példát Python nyelven oldjuk meg a sklearn programcsomag segítségével, bemutatjuk az elemzés folyamatának standardjait, az iteratív elemzési módszereket életszerű környezetben, közös gondolkodással sajátítjuk el.

Osztályozási feladat áttekintése, viszonya a regresszióval
Hitelbírálati alapfeladat ismertetése, logisztikus regresszió szerepe a hitelbírálatban
Áruhitelbírálati feladat megoldása Python nyelven
Osztályozási feladatok kiértékelésének nehézségei, pontosság, ROC görbe, AUC érték számítása és jelentése
Speciális üzleti kiértékelési függvények létjogosultsága, profitgörbe készítés
Modellek finomítása, keresztvalidáció

Egy hitelbírálati feladaton keresztül mutatjuk be milyen módon lehet egy osztályozási feladattal támogatni egy üzleti döntési helyzetet. Rámutatunk az osztályozási feladatok nehézségeire, a túl sok dimenzió használatának problémáira (dimenziók átka), az algoritmusok kiválasztásának fontosságára. Bevezetésre kerül a data science kiemelt metrikája is, a ROC görbe AUC értékének formájában, bemutatjuk annak jelentését, értelmezését, majd ütköztetjük azt az üzleti szintű kiértékelés lehetőségeivel.

Klaszterezési alapfeladat bemutatása
Python nyelvű klaszterezés egy ügyfélanalitikai adathalmaz felhasználásával
Triviális klaszterezés fogalma, K-means és K-medoid algoritmusok ismertetése
Klaszterek ábrázolásának módjai, klaszterezés mint dimenziócsökkentő eljárás
Klaszterezési módszerek kritikája, a feltáró adatelemzés szempontjából való bemutatása
Teljes adatelemzési folyamatok felépítése, pipe-line szemlélet
Data science Python kódok integrálása tágabb rendszerekbe, a gépi tanulási algoritmusok üzemeltetésének speciális körülményei

Elsőként bemutatjuk milyen módon lehet klaszterezni egy ügyféladatbázist, bemutatjuk az alap klaszterező eljárásokat, az ezekkel elérhető eredmények kihívásait, nehézségeit. Ezt követően általánosan foglalkozunk a gépi tanulási algoritmusok üzemeltetési kérdéseivel, a Python nyelvű megoldások integrációjának problémáival. Mind a klaszterezés során, mind az üzemeltetési kérdések megválaszolása során a közönséggel közösen készítjük el az adott feladat megoldását.

Tranzakciós adatok szerepe a modern adatelemzési folyamatokban, a klasszikus és a tranzakciós gépi tanulási problémák szétválasztása
Elemzési tábla készítése egy vásárlói kártya adathalmaz feldolgozásával
A tanító és tesztadatok szétválasztásának problematikája, javasolt megoldási minta, a walk forward optimization megközelítés áttekintése
Fejlett gépi tanulási technikák, mesterséges neuron hálók, Random Forest és Gradient Boosting Machine algoritmusok áttekintése
Modellek interpretálhatósága, a Partial Dependence Plot technika megismerése

A valós esetekben sokszor időben változó adathalmazokkal, események logadataival kell dolgoznunk, az alkalmon a tranzakciós adatok feldolgozásának problematikáját ismerjük meg, mely alapján az idősoros adatok elemzésének módja már magától értetődőnek mondható. Kitérünk a tanító és tesztadatok szétválasztásának dilemmáira, megismerjük az ehhez kapcsolódó legjobb gyakorlatokat, módszereket. Megismerjük a legfontosabb komplex modellezési eljárást, majd azzal foglalkozunk, hogy a komplex modellekbe belekerülő összefüggéseket hogyan lehet mégis interpretálni, megérteni, hogyan tudunk mi magunk tanulni a felépült modellek összefüggéseiből.

Anomália detekciós alapfeladat, az anomália data science megközelítésű definíciója
Felügyelt, félig felügyelt és nem felügyelt anomália detekciós technikák lehetőségei
Isolation Forest és más módszerek használata egy anomália detekcióhoz igazított szimulációs környezetben
Korábban tárgyalt módszerek használata valós adathalmaz felett
Kitekintés a big data jelenség mögött megbúvó technológiai háttérre, a data science szempontjából érdekes technológiai stack bemutatása
Spark alap megközelítés, PySpark bevezetés és sajátosságok
Példa megoldása egy analitikai feladatnak PySpark környezetben.

Az alkalom első felében egy gyakori feladattal foglalkozunk, nevezetesen az anomália detekcióval, bemutatjuk a leg elterjedtebb megoldásokat egy ilyen feladat megoldására. A nap második felében pedíg a big data világába adunk betekintést, valamint azt a probléma kört is tárgyaljuk, hogy mely esetekben kell egy feladatot megoldanunk big- data eszközök segítségével, és erre melyek a legmegfelelőbb eszközök és platformok. Megismerkedünk az elosztott rendszerek alapkoncepciójával adatfeldolgozási szempontból, majd ezt a tudást a Databricks nevű platformon ki is próbáljuk egy analitikai feladat megoldásával Pyspark programnyelvben.