Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Schița de curs
Introducere în Machine Learning în Business
- Aprenderea automată ca componentă centrală a Inteligenței Artificiale
- Tipuri de învățare automat: supravegheat, nesupravegheat, prin recompense, semisupravegheat
- Algoritmi ML comuni utilizate în aplicațiile de afaceri
- Sfidele, riscurile și potențialele utilizări ale ML în AI
- Supraadaptarea și echilibrul dintre bias și varianță
Tehnici și Flux de Lucru Machine Learning
- Ciclul de viață al Machine Learning: de la problemă până la implementare
- Clasificare, regresie, grupare, detectarea anomalilor
- Când să folosești învățarea automată supravegheată vs nesupravegheată
- Comprezunerea învățării prin recompense în automația afacerilor
- Considerente în luarea deciziilor bazate pe ML
Preprocesare a Datelor și Inginereștii de Caracteristici
- Pregătirea datelor: încărcare, curățare, transformare
- Inginerești de caracteristici: codificare, transformare, crearea
- Scalare a caracteristicilor: normalizare, standardizare
- Reducerea dimensiunii: PCA, selecția variabilelor
- Analiza exploratorie a datelor și vizualizarea datelor de afaceri
Neural Networks și Deep Learning
- Introducere în rețele neuronale și utilizarea lor în afaceri
- Structură: straturi de intrare, ascunse și ieșire
- Backpropagation și funcțiile de activare
- Rețele neuronale pentru clasificare și regresie
- Utilizarea rețelelor neuronale în previziuni și recunoașterea modelelor
Vânzări Forecasting și Predictive Analytics
- Siruri de timp vs. previziuni bazate pe regresie
- Decompoziția seriei de timp: tendințe, sezonicitate, cicluri
- Tehnici: regresie liniară, ușurare exponențială, ARIMA
- Rețele neuronale pentru previziuni neliniare
- Caz de studiu: volumul lunar al vânzărilor Forecasting
Cazuri de Studiu în Aplicațiile Business
- Inginerești avansate de caracteristici pentru o previziune îmbunătățită folosind regresia liniară
- Analiza segmentației folosind gruparea și hărți auto-organizante
- Analiza coșului de cumpărături și miniere de reguli de asociere pentru însărcinăturile retailului
- Clasificarea defaulterilor clientilor folosind regresia logistice, arborele de decizii, XGBoost, SVM
Rezumat și Următoarele Pași
Cerințe
- Compreensiune de bază a principiilor învățării automate și ale aplicațiilor lor
- Familiaritate cu munca în medii de feuște de calcul sau instrumente de analiză a datelor
- O anumită expunere la Python sau un alt limbaj de programare este utilă, dar nu este obligatorie
- Interes pentru aplicarea învățării automate la problemele reale ale afacerilor și a previziunilor
Publicul vizat
- Business analiști
- profesioniști AI
- decizionari și manageri orientați spre date
21 ore
Mărturii (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curs - 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.
