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
Mărturii (3)
Mi-a plăcut foarte mult finalul unde am avut ocazia să jucăm cu CHAT GPT. Sala nu era configuraționată cel mai bine pentru aceasta - ar fi fost mai util să avem câteva mese mici în loc de o masă mare, astfel încât să putem forma grupuri mai mici și să ne brainstorm-urim idei.
Nola - Laramie County Community College
Curs - Artificial Intelligence (AI) Overview
Tradus de catre o masina
Lucrând pe baza principiilor de bază într-un mod concentrat, și trecerea la aplicarea studiilor de caz în aceeași zi
Maggie Webb - Department of Jobs, Regions, and Precincts
Curs - Artificial Neural Networks, Machine Learning, Deep Thinking
Tradus de catre o masina
Faptul că s-a folosit date reale ale unei companii. Formatorul a avut o abordare foarte bună, încurajând participanții să colaboreze și să concureze
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Curs - Applied AI from Scratch in Python
Tradus de catre o masina
