Schița de curs
Introducere în Învățarea Automată în Afaceri
- Învățarea automată ca componentă centrală a Inteligenței Artificiale
- Tipuri de învățare automată: supervizată, nesupravegheată, prin întărire, semi-supravegheată
- Algoritmi comuni de învățare automată utilizați în aplicațiile de afaceri
- Provocări, riscuri și utilizări potențiale ale învățării automate în inteligența artificială
- Supraadaptarea și compromisul bias-varianță
Tehnici și Flux de Lucru în Învățarea Automată
- Ciclul de viață al învățării automate: de la problemă la implementare
- Clasificare, regresie, clustering, detectarea anomalii
- Când să folosești învățarea supervizată vs nesupravegheată
- Înțelegerea învățării prin întărire în automatizarea afacerilor
- Considerații în luarea deciziilor bazate pe învățarea automată
Preprocesarea Datelor și Ingineria Caracteristicilor
- Pregătirea datelor: încărcare, curățare, transformare
- Ingineria caracteristicilor: codificare, transformare, creare
- Scalarea caracteristicilor: normalizare, standardizare
- Reducerea dimensionalității: PCA, selecția variabilelor
- Analiza exploratorie a datelor și vizualizarea datelor de afaceri
Rețele Neuronale și Învățare Profundă
- Introducere în rețelele neuronale și utilizarea lor în afaceri
- Structura: straturi de intrare, ascunse și de ieșire
- Backpropagation și funcții de activare
- Rețele neuronale pentru clasificare și regresie
- Utilizarea rețelelor neuronale în prognoză și recunoașterea modelelor
Prognozarea Vânzărilor și Analiza Predictivă
- Prognoză bazată pe serii de timp vs regresie
- Descompunerea seriilor de timp: trend, sezonalitate, cicluri
- Tehnici: regresie liniară, netezire exponențială, ARIMA
- Rețele neuronale pentru prognoză neliniară
- Studiu de caz: Prognozarea volumului lunar de vânzări
Studii de Caz în Aplicații de Afaceri
- Inginerie avansată a caracteristicilor pentru o predicție îmbunătățită folosind regresia liniară
- Analiza de segmentare folosind clustering și hărți auto-organizate
- Analiza coșului de cumpărături și minerit de reguli de asociere pentru informații despre retail
- Clasificarea neplatnicilor clienți folosind regresia logistică, arbori de decizie, XGBoost, SVM
Rezumat și Pași Următori
Cerințe
- Înțelegere de bază a principiilor învățării automate și a aplicațiilor acestora
- Familiarizare cu lucrul în medii de tip foaie de calcul sau instrumente de analiză a datelor
- O expunere la Python sau un alt limbaj de programare este utilă, dar nu obligatorie
- Interes în aplicarea învățării automate în probleme reale de afaceri și prognoză
Publicul țintă
- Analiști de afaceri
- Profesioniști în inteligență artificială
- Decidenți și manageri bazate pe date
Mărturii (2)
ecosistemul ML nu include doar MLFlow, ci și Optuna, hyperops, Docker și Docker-Compose
Guillaume GAUTIER - OLEA MEDICAL
Curs - MLflow
Tradus de catre o masina
M-a plăcut să particip la instruirea Kubeflow, care a avut loc la distanță. Această instruire mi-a permis să consolidez cunoștințele despre serviciile AWS, K8s și toate instrumentele devOps în jurul Kubeflow, care reprezintă bazele necesare pentru a aborda subiectul cu succes. Vreau să-i mulțumesc lui Malawski Marcin pentru răbdarea sa și profesionalismul demonstrat în instruire și sfaturi privind cele mai bune practici. Malawski abordează subiectul din diferite unghiuri, folosind diferite instrumente de implementare precum Ansible, EKS kubectl, Terraform. Acum sunt cu adevărat convins că intru în domeniul de aplicație potrivit.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Curs - Kubeflow
Tradus de catre o masina
