Predictive segmentation: различия между версиями
Новая страница: «{{Карточка_командного_проекта |name=Predictive segmentation |company=Зверева Ольга |semester=Осень 2018 |course=? |numbe…» |
Нет описания правки |
||
| (не показаны 2 промежуточные версии этого же участника) | |||
| Строка 1: | Строка 1: | ||
{{Карточка_командного_проекта | {{Карточка_командного_проекта | ||
|name=Predictive segmentation | |name=Predictive segmentation | ||
|company= | |company=OZON | ||
|semester=Осень 2018 | |semester=Осень 2018 | ||
|course=? | |course=? | ||
| Строка 7: | Строка 7: | ||
|categorize=yes | |categorize=yes | ||
}} | }} | ||
===Описание проекта=== | |||
Есть интернет-магазин (OZON), в который заходит большое число как зарегистрированных юзеров (users), так и случайных посетителей (visitors). Нужно сделать сегментацию пользователей по ожидаемому объему продаж, то есть:<br/>--- Придумываем/учим модель, которая предсказывает ожидаемый размер заказа человека, пришедшего на сайт (возможно, в первый раз)<br/>--- Сегментируем пользователей<br/>--- Решаем эту же задачу для товарных категорий | |||
===Чему научатся студенты?=== | |||
Это очень сильно поднимет Ваши скиллы в области прикладного машинного обучения. Отличный шанс зайти в e-Commerce. | |||
Глубоко ныряем в бизнес-аналитику для e-Commerce. | |||
Реальные приложения машинного обучения <br/>--- большие массивы данных (как качественных, так и достаточно грубых), большая свобода в выборе моделей и экспериментов. | |||
===Какие технологии будут использоваться?=== | |||
Python/R, возможно, Spark и тд | |||
===Требования, предъявляемые к студентам=== | |||
<br/>--- Python или иной язык для анализа данных | |||
<br/>--- Знание машинного обучения (хотя бы на уровне "сдал курс в универе" на хор или отл) | |||
===Критерии оценки итогового результата по проекту=== | |||
Есть два варианта: | |||
<br/>Запилить академический проект (статью) или сделать реальный прототип | |||
<br/>Путь 1 (академический): | |||
<br/>--- Написана статья, ее подали в журнал = отлично | |||
<br/>--- Почти написана статья = хорошо | |||
<br/>--- Какая-то работа сделана, но недостаточно для публикации = удовлетворительно | |||
<br/>--- Сделано так мало, что возник вопрос "А что ты делал все это время?" = неуд | |||
<br/> | |||
<br/>Путь 2 (практический) | |||
<br/>--- Модель показала хорошие результаты и ее решили внедрить в продакшн = отл | |||
<br/>--- Модель показала хорошие результаты, решили ее немного доработать (возможно пойдет в продакшн после доработки) = хор | |||
<br/>--- Какие-то результаты есть, но их практическая значимость очень спорна = удов | |||
<br/>--- Сделано так мало, что возник вопрос "А что ты делал все это время?" = неуд" | |||
===Количество часов работы студента в неделю=== | |||
от 10 | |||
===Предположительная длительность работы по задаче=== | |||
6 месяцев | |||
===Контакты=== | |||
Zvereva Olga [ozvereva@ozon.ru] | |||
Текущая версия от 07:39, 16 октября 2018
| Компания | OZON |
| Учебный семестр | Осень 2018 |
| Учебный курс | ?-й курс |
| Максимальное количество студентов, выбравших проект: 1-2 | |
Описание проекта
Есть интернет-магазин (OZON), в который заходит большое число как зарегистрированных юзеров (users), так и случайных посетителей (visitors). Нужно сделать сегментацию пользователей по ожидаемому объему продаж, то есть:
--- Придумываем/учим модель, которая предсказывает ожидаемый размер заказа человека, пришедшего на сайт (возможно, в первый раз)
--- Сегментируем пользователей
--- Решаем эту же задачу для товарных категорий
Чему научатся студенты?
Это очень сильно поднимет Ваши скиллы в области прикладного машинного обучения. Отличный шанс зайти в e-Commerce.
Глубоко ныряем в бизнес-аналитику для e-Commerce.
Реальные приложения машинного обучения
--- большие массивы данных (как качественных, так и достаточно грубых), большая свобода в выборе моделей и экспериментов.
Какие технологии будут использоваться?
Python/R, возможно, Spark и тд
Требования, предъявляемые к студентам
--- Python или иной язык для анализа данных
--- Знание машинного обучения (хотя бы на уровне "сдал курс в универе" на хор или отл)
Критерии оценки итогового результата по проекту
Есть два варианта:
Запилить академический проект (статью) или сделать реальный прототип
Путь 1 (академический):
--- Написана статья, ее подали в журнал = отлично
--- Почти написана статья = хорошо
--- Какая-то работа сделана, но недостаточно для публикации = удовлетворительно
--- Сделано так мало, что возник вопрос "А что ты делал все это время?" = неуд
Путь 2 (практический)
--- Модель показала хорошие результаты и ее решили внедрить в продакшн = отл
--- Модель показала хорошие результаты, решили ее немного доработать (возможно пойдет в продакшн после доработки) = хор
--- Какие-то результаты есть, но их практическая значимость очень спорна = удов
--- Сделано так мало, что возник вопрос "А что ты делал все это время?" = неуд"
Количество часов работы студента в неделю
от 10
Предположительная длительность работы по задаче
6 месяцев
Контакты
Zvereva Olga [ozvereva@ozon.ru]