Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Introducere în Învățarea Automată în Afaceri
- Învățarea automată ca componentă centrală a Inteligenței Artificiale
- Tipuri de învățare automată: supervizată, nesupravizată, de întărire, semi-supravizată
- Algoritmi comuni de ML folosiți în aplicații de afaceri
- Provocări, riscuri și utilizări potențiale ale ML în AI
- Supraadaptarea și compromisul bias-varianță
Tehnici și Flux de Lucru în Învățarea Automată
- Ciclul de viață al Învățării Automate: de la problemă la implementare
- Clasificare, regresie, clustering, detectare de anomalii
- Când să folosești învățarea supervizată vs nesupravizată
- Înțelegerea învățării de întărire în automatizarea afacerilor
- Considerații în luarea deciziilor bazate pe ML
Preprocesarea Datelor și Ingineria Caracteristicilor
- Pregătirea datelor: încărcare, curățare, transformare
- Ingineria caracteristicilor: codificare, transformare, creare
- Scalarea caracteristicilor: normalizare, standardizare
- Reducerea dimensionalității: PCA, selecție de variabile
- Analiza exploratorie a datelor și vizualizarea datelor de afaceri
Rețele Neuronale și Învățare Profundă
- Introducere în rețelele neuronale și utilizarea lor în afaceri
- Structura: straturi de intrare, ascunse și de ieșire
- Backpropagation și funcții de activare
- Rețele neuronale pentru clasificare și regresie
- Utilizarea rețelelor neuronale în prognoză și recunoaștere de modele
Prognozarea Vânzărilor și Analiza Predictivă
- Prognoză bazată pe serii de timp vs regresie
- Descompunerea seriilor de timp: trend, sezonalitate, cicluri
- Tehnici: regresie liniară, netezire exponențială, ARIMA
- Rețele neuronale pentru prognoză neliniară
- Studiu de caz: Prognozarea volumului lunar de vânzări
Studii de Caz în Aplicații de Afaceri
- Inginerie avansată a caracteristicilor pentru îmbunătățirea predicției folosind regresie liniară
- Analiza de segmentare folosind clustering și hărți auto-organizatoare
- Analiza coșului de cumpărături și extragerea de reguli de asociere pentru informații de retail
- Clasificarea defaultului clienților folosind regresie logistică, arbori de decizie, XGBoost, SVM
Rezumat și Pași Următori
Cerințe
- Înțelegere de bază a principiilor învățării automate și a aplicațiilor acestora
- Familiaritate cu lucrul în medii de foi de calcul sau instrumente de analiză a datelor
- O expunere la Python sau un alt limbaj de programare este utilă, dar nu obligatorie
- Interes în aplicarea învățării automate la probleme reale de afaceri și prognoză
Public țintă
- Analiști de afaceri
- Profesioniști AI
- Decidenți și manageri orientați pe date
21 Ore
Mărturii (2)
ecosistemul ML nu include doar MLFlow, ci și Optuna, hyperops, Docker și Docker-Compose
Guillaume GAUTIER - OLEA MEDICAL
Curs - MLflow
Tradus de catre o masina
M-a plăcut să particip la instruirea Kubeflow, care a avut loc la distanță. Această instruire mi-a permis să consolidez cunoștințele despre serviciile AWS, K8s și toate instrumentele devOps în jurul Kubeflow, care reprezintă bazele necesare pentru a aborda subiectul cu succes. Vreau să-i mulțumesc lui Malawski Marcin pentru răbdarea sa și profesionalismul demonstrat în instruire și sfaturi privind cele mai bune practici. Malawski abordează subiectul din diferite unghiuri, folosind diferite instrumente de implementare precum Ansible, EKS kubectl, Terraform. Acum sunt cu adevărat convins că intru în domeniul de aplicație potrivit.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Curs - Kubeflow
Tradus de catre o masina
