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)
Az ML ekoszisztéma nem csak MLFlow-t, hanem Optuna, hyperops, docker és docker-compose is tartalmazza.
Guillaume GAUTIER - OLEA MEDICAL
Kurzus - MLflow
Gépi fordítás
I élveztem a részvételt a Kubeflow képzésen, amelyet távolról tartottak. Ez a képzés lehetővé tette számomra, hogy megfossam az AWS szolgáltatások, a K8s, és az összes Kubeflow-hoz tartozó devOps eszköz ismereteit, amelyek a tárgy megfelelő megközelítéséhez szükségesek. Köszönöm Malawski Marcinnek a kitartását és a szakmai hozzáállását a képzés és a legjobb gyakorlatok tanácsai során. Malawski különböző szempontokból közelíti meg a tárgyat, különböző telepítési eszközök Ansible, EKS kubectl, Terraform. Most biztos vagyok benne, hogy a megfelelő alkalmazási területre léptek.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurzus - Kubeflow
Gépi fordítás
