Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Introducere în Învățarea Automată în Afaceri
- Învățarea automată ca componentă centrală a Inteligenței Artificiale
- Tipuri de învățare automată: supravegheată, nesupravegheată, prin întărire, semi-supravegheată
- Algoritmi comuni de ML utilizați în aplicațiile de afaceri
- Provocări, riscuri și utilizări potențiale ale ML în IA
- Overfitting 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, detectare de anomalii
- Când să folosești învățarea supravegheată vs nesupravegheată
- Înțelegerea învățării prin întărire în automatizarea afacerilor
- Considerații în luarea deciziilor bazate pe ML
Pregătirea 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
Studii de Caz în Aplicații de Afaceri
- Ingineria avansată a caracteristicilor pentru îmbunătățirea predicției folosind regresia liniară
- Analiza seriilor de timp și prognoza volumului lunar de vânzări: ajustare sezonieră, regresie, netezire exponențială, ARIMA, rețele neuronale
- Analiza segmentării folosind clustering și hărți auto-organizate
- Analiza coșului de cumpărături și extragerea regulilor de asociere pentru informații de retail
- Clasificarea default-ului clienților folosind regresia logistică, arbori de decizie, XGBoost, SVM
Rezumat și Pași Următori
Cerințe
- Înțelegere de bază a conceptelor și terminologiei din învățarea automată
- Familiaritate cu analiza datelor sau lucrul cu seturi de date
- O expunere minimă la un limbaj de programare (de exemplu, Python) este benefică, dar nu este obligatorie
Public țintă
- Analiști de afaceri și profesioniști în domeniul datelor
- Decidenți interesați de adoptarea inteligenței artificiale
- Profesioniști IT care explorează aplicațiile învățării automate în afaceri
14 Ore
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
