Návrh Školení
Úvod do strojového učení v obchodě
- Strojové učení jako klíčová součást umělé inteligence
- Typy strojového učení: učení s učitelem, bez učitele, posilovací a polo-supervizované
- Běžné algoritmy strojového učení využívané v obchodní praxi
- Výzvy, rizika a možnosti využití strojového učení v rámci umělé inteligence
- Přeučenost modelu a kompromis mezi odchylkou a rozptylem
Techniky strojového učení a jejich pracovní postupy
- Celý životní cyklus strojového učení: od určení problému po nasazení modelu
- Zařazování do kategorií, regrese, seskupování a detekce anomálií
- Kdy použít učení s učitelem a kdy bez učitele
- Pojetí posilovacího učení v kontextu automatizace obchodních procesů
- Aspekty při rozhodování podpořeném strojovým učením
Předzpracování dat a tvorba vhodných atributů
- Příprava dat: načítání, čištění a transformace
- Tvorba nových vlastností: kódování, transformace a generování atributů
- Škálování dat: normalizace a standardizace
- Redukce dimenzionality: metody typu PCA či výběr proměnných
- Eksplorativní analýza dat a vizualizace obchodních informací
Neuronové sítě a hluboké učení
- Základy neuronových sítí a jejich využití v obchodní sféře
- Struktura: vstupní, skryté a výstupní vrstvy
- Zpětné šíření chyb a aktivační funkce
- Neuronové sítě při zařazování do kategorií a regresních predikcích
- Využití neuronových sítí pro prognózování a rozpoznávání vzorců
Prognózování prodeje a prediktivní analýza
- Časové řady vs. regresní metody v prognózování
- Rozklad časových řad: trend, sezónnost a cykličnost
- Techniky: lineární regrese, exponenciální vyhlazování, model ARIMA
- Neuronové sítě při nelineárním prognózování
- Případová studie: Predikce měsíčního objemu prodeje
Případové studie v obchodním prostředí
- Pokročilá tvorba atributů pro lepší predikce s využitím lineární regrese
- Analýza segmentace pomocí technik seskupování a samoorganizujících map
- Analýza nákupních vzorců a těžba asociačních pravidel pro retailové účely
- Klasifikace rizikových klientů s využitím logistické regrese, rozhodovacích stromů, algoritmu XGBoost či SVM
Závěrečné shrnutí a další kroky
Požadavky
- Základní orientaci v principech strojového učení a jejich uplatnění
- Znalost práce s tabulkovými prostředími nebo nástroji na analýzu dat
- Zkušenosti s jazykem Python či jiným programovacím jazykem jsou výhodou, ale nejsou podmínkou
- Zájem o využití strojového učení při řešení reálných obchodních a prognózních úkolů
Cílová skupina
- Obchodní analytici
- Odborníci na umělou inteligenci
- Manažeři a osoby zodpovědné za rozhodování na základě dat
Reference (3)
Opravdu jsem se líbil konec, kdy jsme si vyzkoušeli CHAT GPT. Místnost nebyla pro toto cvičení nejlepší nastavená - místo jednoho velkého stolu by pomohlo několik menších stolů, abychom se mohli rozdělit do menších skupin a společně přemýšlet.
Nola - Laramie County Community College
Kurz - Artificial Intelligence (AI) Overview
Přeloženo strojem
Práce na základě prvních principů s cíleným zaměřením a následné aplikace případových studií v rámci stejného dne
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurz - Artificial Neural Networks, Machine Learning, Deep Thinking
Přeloženo strojem
Že se používala skutečná společenská data. Trainer měl velmi dobrý přístup tím, že tréninky podporoval účastí a soutěží.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Kurz - Applied AI from Scratch in Python
Přeloženo strojem
