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-be üzleti alkalmazásokban
- Machine learning mint az Műszaki Intelligencia alapvető összetevője
- Machine learning típusai: felügyelt, nem felügyelt, erősítési és félfelügyelt
- Az üzleti alkalmazásokban gyakran használt ML algoritmusok
- A ML kihívásai, kockázatai és lehetséges használata az AI-ban
- Overfitting és a bias-variance kompromisszum
Machine Learning technikák és munkamenet
- A Machine Learning életciklus: problémától a telepítésig
- Osztályozás, regresszió, csoportosítás, anomália detektálás
- Mikor alkalmazzuk a felügyelt és nem felügyelt tanulást
- Az erősítési tanulás megértése az üzleti automatizálásban
- Fontosabb tényezők a ML-vezérelt döntéshozásban
Adat előfeldolgozás és jellemzőgenerálás
- Adat előkészítés: betöltés, tisztítás, átalakítás
- Charakterisztika-generálás: kódolás, átalakítás, létrehozás
- Charakterisztika méretezése: normalizálás, standardizálás
- Dimenziócsökkentés: PCA, változók kiválasztása
- Exploratív adat-analízis és üzleti adatvizualizáció
Neuronhálózatok és mély tanulás
- Bevezetés a neuronhálózatokba és azok üzleti alkalmazásába
- Szerkezet: bemeneti, rejtett és kimeneti rétegek
- Backpropagation és aktivációs függvények
- Neuronhálózatok osztályozáshoz és regresszióhoz
- Neuronhálózatok használata előrejelzésben és mintafelismerésben
Eladás előrejelzése és előrejelző analízis
- Idősor vs. regresszió alapú előrejelzés
- Idősor felbontása: trend, szezonális és ciklikus elemek
- Technikák: lineáris regresszió, exponenciális simítás, ARIMA
- Neuronhálózatok nemlineáris előrejelzéshez
- Esemény: Havi eladási mennyiség előrejelzése
Üzleti alkalmazások példái
- Fejlett jellemzőgenerálás a lineáris regresszió javításához
- Szegmensanalízis csoportosítás és önorganizáló térképek használatával
- Vásárlási kosár-analízis és asszociációs szabálybányászat az értékesítési szempontokért
- Vevői alaptörlesztési osztályozás logisztikai regresszió, döntésfák, XGBoost, SVM használatával
Összegzés és következő lépések
Követelmények
- Az ösztönös tanulás alapelveinek és alkalmazásainak alapvető megértése
- Munka tábla vagy adatanalitikai eszközök használatával való ismertség
- Python vagy más programozási nyelv ismerete hasznos, de nem kötelező
- Az ösztönös tanulás valós üzleti és előrejelzési problémákra való alkalmazása iránti érdeklődés
Audience
- Üzleti analitikák
- AI szakemberek
- Adatorientált 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
