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.
Struttura del corso
Introduzione alla Machine Learning nel Business
- La machine learning come componente centrale dell'Intelligenza Artificiale
- Tipi di machine learning: supervised, unsupervised, reinforcement, semi-supervised
- Algoritmi ML comuni utilizzati nelle applicazioni aziendali
- Sfide, rischi e potenziali utilizzi della ML nell'IA
- Overfitting e il compromesso bias-variance
Tecniche di Machine Learning e Workflow
- Il ciclo di vita del machine learning: dal problema al deployment
- Classificazione, regressione, clustering, rilevamento anomalo
- Quando utilizzare il supervised vs l'unsupervised learning
- Comprensione dell'apprendimento per rinforzo nell'automaticazione aziendale
- Considerazioni nella decision-making guidata dalla ML
Preprocessing dei Dati e Feature Engineering
- Preparazione dei dati: caricamento, pulizia, trasformazione
- Feature engineering: codifica, trasformazione, creazione
- Scalatura delle feature: normalizzazione, standardizzazione
- Riduzione della dimensionalità: PCA, selezione delle variabili
- Analisi esplorativa dei dati e visualizzazione dei dati aziendali
Reti Neurali e Deep Learning
- Introduzione alle reti neurali ed il loro utilizzo nell'ambito aziendale
- Struttura: layer di input, hidden e output
- Retrodiffusione (backpropagation) e funzioni di attivazione
- Reti neurali per classificazione e regressione
- Utilizzo delle reti neurali nella previsione e nel riconoscimento dei pattern
Previsione delle Vendite ed Analisi Predittiva
- Serie temporali vs previsione basata sulla regressione
- Decomposizione delle serie storiche: trend, stagionalità, cicli
- Tecniche: regressione lineare, media mobile esponenziale, ARIMA
- Reti neurali per previsione non lineare
- Studio di caso: previsione del volume mensile delle vendite
Studi di Caso nelle Applicazioni Aziendali
- Engineering avanzato delle feature per migliorare le predizioni utilizzando la regressione lineare
- Analisi della segmentazione utilizzando clustering e mappe autoorganizzanti
- Analisi del cestino degli acquisti ed estrazione di regole di associazione per le conoscenze nel retail
- Classificazione dei clienti in default utilizzando la regressione logistica, gli alberi decisionali, XGBoost, SVM
Riepilogo e Prossimi Passaggi
Requisiti
- Comprensione di base dei principi dell'apprendimento automatico e delle loro applicazioni
- Familiarità con l'uso di ambienti foglio elettronico o strumenti di analisi dati
- Alcune conoscenze in Python o un altro linguaggio di programmazione sono utili ma non obbligatorie
- Interesse nell'applicare l'apprendimento automatico a problemi aziendali reali e di previsione
Pubblico
- Analisti aziendali
- Professionisti AI
- Decisori e manager basati sui dati
21 ore
Recensioni (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Corso - 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.
