Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bevezetés a Machine Learning-ba a Business-ban
- Machine learning mint az Artificiális Intelligencia magalkomponense
- Machine learning típusai: felügyelt, fel nem ügyelt, erősítés, fél felügyelt
- Gyakran használt ML algoritmusok üzleti alkalmazásokban
- ML kihívások, kockázatok és potenciális felhasználási módok AI-ban
- Overfitting és a bias-variance kompromisszum
Machine Learning technikák és munkamenet
- A Machine Learning életciklus: problémától a bevezetésig
- Osztályozás, regresszió, clusterelés, anomália detektálás
- Felügyelt vs. fel nem ügyelt tanulás használata
- Erősítéses tanulás megértése az üzleti automatizálásban
- Fontos tényezők ML-alapú döntéshozatalban
Adat előfeldolgozás és jellemző mûvelet
- Adat előkészítés: betöltés, tisztítás, átalakítás
- Jellemző mûvelet: kódolás, átalakítás, létrehozás
- Jellemző méretezés: normalizálás, standardizálás
- Dimenziócsökkentés: PCA, változók kiválasztása
- Exploratórikus adat elemzés és üzleti adatok vizualizálása
Neural Networks és Deep Learning
- Bevezetés a neurális hálókba és azok üzleti alkalmazásába
- Szerkezet: bemenet, rejtett és kimeneti rétegek
- Hátrapropagáció és aktivációs függvények
- Neurális hálók osztályozásra és regresszióra
- Neurális hálók előrejelzésre és mintázatfelismerésre
Eladások Forecasting és Predictive Analytics
- Idősorozatos vs. regressziós előrejelzés
- Idősorozat bontása: trend, szezonális hatások, ciklusok
- Technikák: lineáris regresszió, exponenciális simítás, ARIMA
- Neurális hálók nemlineáris előrejelzésre
- Esemény tanulmány: Forecasting havi eladási mennyiség
Esemény tanulmányok a Business alkalmazásaiban
- Fejlett jellemző mûvelet javított előrejelzéshez lineáris regresszióval
- Segmentálási elemzés clustereléssel és önorganizáló térképekkel
- Vásárlási kosár elemzés és asszociációs szabálykeresés kereskedelmi belekértéshez
- Vevőkifizetés-kezelési osztályozás logisztikus regresszióval, döntésfákkal, XGBoosttal, SVM-vel
Összegzés és következő lépések
Követelmények
- Gyógy alapfokú ismeret a gépneurokészülék alapelveiről és alkalmazásairól
- Ismerkedés a táblázatkezelő környezetekkel vagy adatelemző eszközökkel való munkával
- Némileg ismert Python vagy más programozási nyelv, de nem kötelező
- Érdek az igazságos gépneurokészülék alkalmazásához valós világbeli üzleti és előrejelző problémákra
Célközönség
- Business elemzők
- AI szakemberek
- Adatokon alapuló döntéshozók és menedzserek
21 Órák
Vélemények (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurzus - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
