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 la Machine Learning în Afaceri
- Machine learning ca componentă esențială a Inteligenței Artificiale.
- Tipuri de machine learning: supervizat, ne-supervizat, reforțat, semi-supervizat.
- Algoritmi ML comuni utilizate în aplicațiile de afaceri.
- Săruturile, riscurile și potențialul de utilizare al ML-ului în IA.
- Pregătirea excesivă și echilibrarea tendinței de prea mult sau prea puțin bias (bias-variance tradeoff).
Tehnicii și Workflow-ul Machine Learning-ului
- Ciclul de viață al Machine Learning: de la problema până la implementare.
- Clasificarea, regresia, clustering-ul, detectarea anomaliei.
- Când să folosiți învățarea supervizată vs. ne-supervizată.
- Înțelegerea învățării reforțate în automatizarea afacerilor.
- Considerente în luarea deciziilor bazate pe ML.
Pregătirea Datelor și Ingineria Caracteristicelor
- Pregătirea datelor: încărcarea, curățarea, transformarea datelor.
- Ingineria caracteristicelor: codificare, transformare, creare de caracteristici.
- Scalarea caracteristicilor: normalizarea, standardizarea.
- Reducerea dimensionalității: PCA, selecția variabilelor.
- Analiza exploratorie a datelor și vizualizarea datelor de afaceri.
Studii de Caz în Aplicațiile de Afaceri
- Ingineria caracteristicilor avansată pentru o predicție îmbunătățită folosind regresia liniară.
- Analiza și previziunea seriilor de timp a volumului lunar de vânzări: ajustarea sezonieră, regresia, smoothing exponential, ARIMA, rețele neuronale.
- Analiza segmentării folosind clustering-ul și hările auto-organizate (self-organizing maps).
- Analiza coșului de cumpărături și minarea regulilor de asociere pentru insight-uri în retail.
- Clasificarea clientilor care nu plătesc folosind regresia logistică, arbori de decizie, XGBoost, SVM.
Surse și Următoarele Pași
Cerințe
- Înțelegerea de bază a conceptelor și terminologiei machine learning.
- Familiaritate cu analiza datelor sau luarea în considerare a seturilor de date.
- Expoziție la un limbaj de programare (de exemplu, Python) este benefică, dar nu obligatorie.
Audiență
- Analiști de afaceri și profesioniști în date.
- Persoane responsabile decizionale interesate de adoptarea AI-ului.
- Profesionisti IT care exploră machine learning-ul în afaceri.
14 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
