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 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)
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.
