Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Что делать, если данных мало?

Sponsored · Your Podcast. Everywhere. Effortlessly. Share. Educate. Inspire. Entertain. You do you. We'll handle the rest. →
Avatar for Big Data & AI Conference 2020 Big Data & AI Conference 2020
September 17, 2020
Business
0
73

Что делать, если данных мало?

Наталья Полковникова, генеральный директор, ООО "Институт прикладной математики и информатики"

Avatar for Big Data & AI Conference 2020

Big Data & AI Conference 2020

September 17, 2020
Tweet

More Decks by Big Data & AI Conference 2020

See All by Big Data & AI Conference 2020
Как искусственный интеллект помогает снизить вредные выбросы в атмосферу на металлургическом производстве.
Avatar for Big Data & AI Conference 2020 aiconforg
0
100
Как сломать рекламную индустрию: повышаем эффективность рекламы с помощью Emotion Recognition
Avatar for Big Data & AI Conference 2020 aiconforg
0
66
Цифровой помощник для маневрового диспетчера
Avatar for Big Data & AI Conference 2020 aiconforg
0
300
Прогресс ученика: Как анализ больших данных помогает быстрее и дешевле достичь образовательных целей
Avatar for Big Data & AI Conference 2020 aiconforg
0
120
Рекомендательная система для увеличения кросс-продаж: опыт инвестиционной компании
Avatar for Big Data & AI Conference 2020 aiconforg
0
40
Дополненная аналитика: практический подход к автоматизации внутренней аналитики
Avatar for Big Data & AI Conference 2020 aiconforg
1
54
Построение системы realtime-аналитики на ClickHouse
Avatar for Big Data & AI Conference 2020 aiconforg
0
180
Как оценить эмоциональную реакцию на рекламу дистанционно, быстро и точно.
Avatar for Big Data & AI Conference 2020 aiconforg
0
79
Учет новых слов в языковых моделях классификации
Avatar for Big Data & AI Conference 2020 aiconforg
0
49

Other Decks in Business

See All in Business
経営管理について / About Corporate Planning
Avatar for 株式会社ログラス loglass2019
0
7.4k
ファブリカホールディングス_2026年3月期第3四半期説明資料
Avatar for fabrica holdings fabrica_com
1
5.5k
株式会社High Link_会社紹介資料
Avatar for 株式会社High Link highlink_hr
2
81k
【Progmat】Monthly-ST-Market-Report-2026-Jan.
Avatar for progmat progmat
0
340
20251228_「言った」を「動いた」に変える 伝える力・5段階レベルアップ研修_社内研修資料
Avatar for Tomoyuki Fukagawa tomoyuki1188
PRO
1
130
20260114_知的生産と事業創造でAIを使いこなす全技法_スライド
Avatar for Itaru Tomita itarutomy
1
490
GMO Flatt Security 会社紹介資料
Avatar for GMO Flatt Security flatt_security
0
27k
giftee_Company introduction Febrary 2026
Avatar for giftee recruit_giftee
1
610
re:Invent2025 re:Cap 〜技術的負債解消と AWS Transform Customと わたし〜
Avatar for maijun maijun
0
140
株式会社ネオキャリア＿採用ピッチ資料＿20260128
Avatar for neo_recruit neo_recruit
0
670
アシスト 会社紹介資料
Avatar for ashisuto_career ashisuto_career
3
150k
2026年3月7日（土）放射性金属がやってくるか　廃炉原発等のクリアランスについて
Avatar for Masano Atsuko atsukomasano2026
0
270

Featured

See All Featured
The Cult of Friendly URLs
Avatar for Andy Hume andyhume
79
6.8k
How to build a perfect <img>
Avatar for Jono Alderson jonoalderson
1
4.9k
Visualizing Your Data: Incorporating Mongo into Loggly Infrastructure
Avatar for mongodb mongodb
49
9.9k
Agile Actions for Facilitating Distributed Teams - ADO2019
Avatar for Mark Kilby mkilby
0
120
How to make the Groovebox
Avatar for あそなす asonas
2
1.9k
The Cost Of JavaScript in 2023
Avatar for Addy Osmani addyosmani
55
9.5k
Leading Effective Engineering Teams in the AI Era
Avatar for Addy Osmani addyosmani
9
1.6k
Evolution of real-time – Irina Nazarova, EuRuKo, 2024
Avatar for Irina Nazarova irinanazarova
9
1.2k
The Language of Interfaces
Avatar for Des Traynor destraynor
162
26k
Site-Speed That Sticks
Avatar for Harry Roberts csswizardry
13
1.1k
What the history of the web can teach us about the future of AI
Avatar for Ines Montani inesmontani
PRO
1
440
Keith and Marios Guide to Fast Websites
Avatar for Keith Pitt keithpitt
413
23k

Transcript

  1. Что делать если данных мало? Наталья Полковникова Институт прикладной математики

    и информатики [email protected] +7 495 185 58 64

  2. Типичные проблемы цифровой трансформации реального бизнеса ЧТО ДЕЛАТЬ? Данных мало

    Типичный пример – лизинговая компания с относительно не большим количеством клиентов Данные есть, но в них мало интересующих нас событий Типичный пример данные по увольнениям х х х х х х х х х х х х х х х х х ✓

  3. Внешние источники • Социальные сети • Спакр • Данные агентства

    кредитных историй …….

  4. Проблемы

  5. Что делать если данные все равно не сбалансированы? Oversampling Undersampling

  6. Примеры из реальной жизни Увольнения сотрудников

  7. Данные по клиентам/сотрудникам До SMOTE После SMOTE Имеют некоторое распределение

    Целевой показатель

  8. Статистика хорошая. Но что получили? Но мы же хотели поймать

    красных! Статистика, описывающая работу моделей в среднем по 2 классам

  9. До SMOTE После SMOTE

  10. Какая модель нам подходит?

  11. Примеры из реальной жизни Лизинг

  12. До обработки данных После чистки и обогащения данных

  13. Главное не переобучиться!

  14. Вопросы? Наталья Полковникова Генеральный директор Институт прикладной математики и информатики

    [email protected] / +7 495 185 58 64