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 a Machine Learning in Business
- L'apprendimento automatico come componente centrale dell'Intelligenza Artificiale
- Tipi di apprendimento automatico: supervisionato, non supervisionato, reinforcement, semi-supervisionato
- Algoritmi ML comuni utilizzati nelle applicazioni aziendali
- Sfide, rischi e potenziali usi dell'ML nell'IA
- Overfitting e il compromesso tra bias e varianza
Tecnologie e Workflow di Machine Learning
- Il ciclo di vita del Machine Learning: dal problema al deployment
- Classificazione, regressione, clustering, rilevamento anomalie
- Come utilizzare l'apprendimento supervisionato vs non supervisionato
- Comprensione dell'apprendimento reinforcement nell'automazione aziendale
- Considerazioni nella decision-making guidata dall'ML
Preprocessing dei Dati e Feature Engineering
- Preparazione dei dati: caricamento, pulizia, trasformazione
- Feature engineering: codifica, trasformazione, creazione
- Scaling delle feature: normalizzazione, standardizzazione
- Riduzione della dimensionalità: PCA, selezione variabile
- Analisi esplorativa dei dati e visualizzazione di dati aziendali
Neural Networks e Deep Learning
- Introduzione ai neuroni e il loro utilizzo nell'azienda
- Struttura: strato input, nascosto ed output
- Retropropagazione e funzioni di attivazione
- Rete neurali per classificazione e regressione
- Utilizzo delle reti neurali nella previsione e riconoscimento dei pattern
Vendite Forecasting e Predictive Analytics
- Predizione basata su serie temporali vs regressione
- Decesso di serie temporali: trend, stagionalità, cicli
- Tecnologie: regressione lineare, smoothing esponenziale, ARIMA
- Rete neurale per previsioni non lineari
- Caso studio: volume mensile delle vendite Forecasting
Studi di Caso nelle Applicazioni Business
- Feature engineering avanzato per migliorare le previsioni con la regressione lineare
- Analisi di segmentazione utilizzando clustering e mappe auto-organizzanti
- Analisi del carrello acquisti e mining delle regole di associazione per insights nel retail
- Classificazione dei clienti in default utilizzando regressione logistica, alberi decisionali, XGBoost, SVM
Riepilogo e Passaggi Successivi
Requisiti
- Comprensione di base dei principi dell'apprendimento automatico e delle loro applicazioni
- Familiarità con l'uso di ambienti di fogli di calcolo o strumenti di analisi dati
- Alcune nozioni di Python o un altro linguaggio di programmazione sono utili, ma non obbligatorie
- Interesse nell'applicare l'apprendimento automatico a problemi aziendali e di previsione del mondo reale
Pubblico
- Business analisti
- professionisti AI
- presidenti e manager basati su 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.
