Predictive segmentation: различия между версиями

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
Содержание 1 Описание проекта 2 Чему научатся студенты? 3 Какие технологии будут использоваться? 4 Требования, предъявляемые к студентам 5 Критерии оценки итогового результата по проекту 6 Количество часов работы студента в неделю 7 Предположительная длительность работы по задаче 8 Контакты

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]

@@ Строка 7: / Строка 7: @@
 |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===
+месяцев
+===Контакты===
+Zvereva Olga [ozvereva@ozon.ru]