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
A gépi tanulás üzleti alkalmazásai
- Gépi tanulás mint mesterséges intelligencia alapvető összetevője
- Gépi tanulás típusai: felügyelt, nem felügyelt, megerősítő, fél felügyelt
- A gépi tanulásban gyakran használt algoritmusok üzleti alkalmazásaiban
- A gépi tanulás kihívásai, kockázatai és potenciális alkalmazási területei az AI-ban
- A túlzott illeszkedés (overfitting) és a torzítás-heteroskedaszticitás szórásvilágosság-kompromisszum (bias-variance tradeoff)
Gépi tanulási technikák és folyamat
- A gépi tanulás életciklus: feladat megfogalmazása a készségkivitelezésig
- Kategorizálás, regresszió, csoportosítás, anomáliák detektálása
- Amikor melyiket használjunk: felügyelt vagy nem felügyelt tanulást.
- Mesterséges intelligencia automatizálásának értelmezése üzleti szempontból a megerősítő tanulás segítségével
- A gépi tanulási alapú döntéshozatal összetevőinek megértése
Adatfeldolgozás és jellemzők módosítása (feature engineering)
- Adat előkészítés: betöltés, tisztítás, átalakítás
- Jellemzők módosítása: kódolás, átalakítás, létrehozás
- Jellemzők skálázása: normalizálás, standardizálás
- Dimenziócsökkentés: PCA (főkomponens analízis), változók kiválasztása
- Az adatok vizsgálata és a vállalati adatok vizualizációja
Gyakorlati esetek üzleti alkalmazásokban
- Haladó jellemzők módosítása javított előrejelzésért a lineáris regresszió segítségével
- IDŐSORS analízis és előrejelzés a havi eladások mennyiségének előrejelzésére: évszakos szabályozás, regresszió, exponenciális kitüntetés, ARIMA, neurális hálózatok
- Csoportosítási elemzés klaszterezés és önszervező térképek segítségével
- Pénztár elemzés és asszociációs szabályok ábrazolása a retail piaci felismeréseken keresztül
- Ügyfél alapján történő default osztályozás logisztikus regresszióval, döntési fák segítségével, XGBoost, SVM
Összefoglalás és következő lépések
Követelmények
- A gépi tanulás fogalmi és terminológiai alapok alapvető ismerete
- Adatelemzővel vagy adathalmazokkal való munkavégzéshez kapcsolódó ismeretek.
- Egy programozási nyelv (pl. Python) használatával kapcsolatos néhány alapvető tapasztalat kedvező, de nem kötelező.
Célcsoport
- Üzleti elemzők és adatszakemberek
- Mesterséges intelligencia alkalmazására érdeklődő döntéshozók
- A gépi tanulás üzleti alkalmazásainak körültekintő vizsgálataban részt vevő IT szakemberek
14 Órák
Vélemények (2)
az ML-ekoszisztéma nem csak az MLFlow-t, hanem az Optunát, a HyperOps-t, valamint a Docker-t és a Docker-Compose-t is tartalmazza
Guillaume GAUTIER - OLEA MEDICAL
Kurzus - MLflow
Gépi fordítás
Nagyezték, hogy részese lehettem a Kubeflow tanfolyamnak, amelyet távollértű módon tartottak. A képzés lehetővé tette számomra, hogy megalapozzam az AWS-szal kapcsolatos ismereteimet, a K8s-t és a Kubeflow környezetében használt minden devOps eszköz alapjait, amelyek a témakör megfelelő felépítéséhez szükségesek. Szeretném köszönetet mondani Malawski Marcinnek az általa tanúsított türelmért és professzionális eljárásokért a képzés során és a legjobb gyakorlati tanácsokért. Malawski számos különböző szempontból közelítette meg a témát, különböző üzembe helyezési eszközökkel, mint például az Ansible, EKS kubectl és a Terraform. Most már egyértelműen meggyőződtem arról, hogy a megfelelő alkalmazási területre haladszom.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurzus - Kubeflow
Gépi fordítás
