Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
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 learning, semi-supervisionato
- Algoritmi ML comuni utilizzati nelle applicazioni aziendali
- Sfide, rischi e potenziali utilizzi dell'ML nell'IA
- L'overfitting e il compromesso tra bias e varianza
Tecniche 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 per rinforzo 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 dei dati aziendali
Casi di Studio nelle Applicazioni Business
- Ingegneria avanzata delle feature per una previsione migliorata utilizzando la regressione lineare
- Analisi delle serie temporali e previsione del volume mensile delle vendite: aggiustamento stagionale, regressione, smoothing esponenziale, ARIMA, reti neurali
- Analisi di segmentazione utilizzando clustering e mappe auto-organizzanti
- Market basket analysis e miniera regole di associazione per le intuizioni nel retail
- Classificazione del default del cliente utilizzando regressione logistica, alberi decisionali, XGBoost, SVM
Riepilogo e Prossimi Passaggi
Requisiti
- Comprensione di base dei concetti e del lessico dell'apprendimento automatico
- Familiarità con l'analisi dei dati o il lavoro con insiemi di dati
- Alcuna esposizione a un linguaggio di programmazione (ad esempio Python) è vantaggiosa ma non obbligatoria
Pubblico
- Business analisti e professionisti dei dati
- Decisori interessati all'adozione dell'IA
- Professionisti IT che esplorano le applicazioni di apprendimento automatico nel business
14 Ore
Recensioni (2)
l'ecosistema ML non riguarda solo MLFlow, ma anche Optuna, Hyperopt, Docker e Docker-Compose
Guillaume GAUTIER - OLEA MEDICAL
Corso - MLflow
Traduzione automatica
Ho trovato molto piacevole partecipare alla formazione su Kubeflow, che si è svolta a distanza. Questa formazione mi ha permesso di consolidare le mie conoscenze sui servizi AWS, K8s e tutte le tool DevOps associate a Kubeflow, che costituiscono le basi necessarie per affrontare l'argomento in modo appropriato. Desidero ringraziare Malawski Marcin per la sua pazienza e professionalità nel fornire formazione e consigli sulle best practice. Malawski affronta l'argomento da diverse angolazioni, utilizzando diversi strumenti di distribuzione come Ansible, EKS kubectl e Terraform. Ora sono definitivamente convinto che mi sto muovendo nel campo d'applicazione giusto.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Corso - Kubeflow
Traduzione automatica
