Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Schița de curs
Introducere în Machine Learning în Afaceri
- Machine learning ca componentă centrală a Inteligenței Artificiale
- Tipuri de machine learning: supervizat, nesupervizat, reinforment, semisupervizat
- Algoritmi ML comuni utilizati în aplicațiile de afaceri
- provocări, riscuri și potențialele utilizări ale ML în AI
- Overfitting și echilibrul dintre bias și varianță
Tehnici de Machine Learning și Flux de Lucru
- Ciclul de viață al machine learning: de la problema la implementarea
- Clasificare, regresie, clustering, detectare de anomalii
- Când să folosești învățarea supervizată versus nesupervizată
- Comprezunerea învățării prin recompense în automatizarea afacerilor
- Considerații în procesul de luare a deciziilor bazate pe ML
Preprocesare a Datelor și Inginerește Feature-uri
- Prepararea datelor: încărcare, curățenie, transformare
- Inginerie de caracteristici: codificare, transformare, creare
- Scalare a caracteristicilor: normalizare, standardizare
- Reducerea dimensiunii: PCA, selecția variabilelor
- Analiza exploratorie a datelor și vizualizarea datelor de afaceri
Rețele Neuronale și Învățare Profundă
- Introducere în rețele neuronale și utilizarea lor în afaceri
- Structură: straturi de intrare, ascunse și ieșire
- Backpropagation și funcții de activare
- Rețele neuronale pentru clasificare și regresie
- Utilizarea rețelelor neuronale în predicția și recunoașterea modelelor
Predicții de Vânzări și Analize Prevenitive
- Serii temporale vs. predicție bazată pe regresie
- Decompoziția seriei temporale: trend, sezonialitate, cicluri
- Tehnici: regresie liniară, umplere exponențială, ARIMA
- Rețele neuronale pentru predicții neliniare
- Studiu de caz: Predicția volumului lunar al vânzărilor
Studii de caz în Aplicațiile de Afaceri
- Inginerie avansată a caracteristicilor pentru îmbunătățirea predicției folosind regresia liniară
- Analiza segmentării utilizând clustering și hărți de auto-organizare
- Analiza ciumeii de coș și extragerea regulilor de asociere pentru insighe retail
- Clasificarea clientului în defaulț folosind regresia logistice, arborele de decizie, XGBoost, SVM
Rezumat și următoarele pași
Cerințe
- Înțelegere de bază a principiilor machine learning și ale aplicațiile lor
- FAMILIARIZARE cu munca în medii de foște de calcul sau instrumente de analiză a datelor
- O anumită expunere la Python sau un alt limbaj de programare este utilă, dar nu obligatorie
- Interesul de a aplica machine learning în problemele reale ale afacerilor și previziuni
Publicul vizat
- Analisti de afaceri
- Profesioniști AI
- Decizionari și manageri bazăți pe date
21 ore
Mărturii (2)
ecosistemul ML nu se limitează la MLFlow ci include și Optuna, hyperops, docker, docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curs - MLflow
Tradus de catre o masina
Am apreciat participarea la antrenamentul Kubeflow, care s-a desfășurat în mod remote. Acest antrenament m-a permis să consolidez cunoștințele despre serviciile AWS, K8s și toolele devOps din jurul Kubeflow, care sunt bazele necesare pentru a aborda subiectul în mod corespunzător. Doresc să-i mulțumesc lui Malawski Marcin pentru paciența și profesionalismul arătat în antrenament și în oferirea de sfaturi privind cele mai bune practici. Malawski abordează subiectul din diferite perspective, folosind diverse instrumente de dezvoltare Ansible, EKS kubectl, Terraform. Acum sunt cu siguranță convins că mă îndrept către domeniul potrivit de aplicare.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Curs - Kubeflow
Tradus de catre o masina
