Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod do strojového učení v podnikání
- Strojové učení jako klíčová součást umělé inteligence
- Typy strojového učení: nadzorované, nenadzorované, povzbuzující a polonadzorované
- Běžné algoritmy ML používané v podnikatelských aplikacích
- Výzvy, rizika a možné použití ML v AI
- Nadměrné učení a obchodní nároky mezi biasem a variantou
Techniky a pracovní postupy strojového učení
- Cyklus životnosti strojového učení: od problému k nasazení
- Klasifikace, regrese, shlukování a detekce anomálií
- Použití nadzorovaného vs. nenadzorovaného učení
- Pochopení povzbuzujícího učení v automatisaci podnikání
- Aspekty rozhodování podporovaného strojovým učením
Předzpracování dat a inženýrství vlastností
- Příprava dat: načítání, čištění, transformace
- Inženýrství vlastností: kódování, transformace a tvorba
- Normalizace vlastností: normalizace a standardizace
- Redukce dimenzionality: PCA a selekce proměnných
- Průzkumná analýza dat a vizualizace podnikatelských dat
Umělá neuronová síť a hluboké učení
- Úvod do umělých neuronových sítí a jejich využití v podnikání
- Struktura: vstupní, skryté a výstupní vrstvy
- Backpropagation a aktivace funkcí
- Umělé neuronové sítě pro klasifikaci a regresi
- Využití umělých neuronových sítí při prognózách a rozpoznávání vzorů
Prognóza prodeje a prediktivní analýzy
- Časové řady vs. regresní modely při prognózách
- Rozklad časových řad: trendy, sezónnosti a cykly
- Techniky: lineární regrese, exponenciální vyhlazování, ARIMA
- Umělá neuronová síť pro nelineární prognózy
- Případový studium: Prognóza měsíčního objemu prodeje
Případové studie v podnikatelských aplikacích
- Pokročilé inženýrství vlastností pro zlepšení predikcí s využitím lineární regrese
- Analýza segmentace pomocí shlukování a samoorganizujících se map
- Analýza košíků zákazníků a pravidla vztahů pro názory na obchod s oděvy
- Klasifikace zadlužení zákazníků pomocí logistické regrese, rozhodovacích stromů, XGBoost a SVM
Závěr a další kroky
Požadavky
- Základní znalost principů strojového učení a jejich aplikací
- Přehlednost s prací v prostředích tabulek nebo nástrojích pro analýzu dat
- Nějaké zkušenosti s Pythonom nebo jiným programovacím jazykem mohou pomoci, ale nejsou povinné
- Zájem o aplikaci strojového učení na skutečné obchodní a prognostické problémy
Cílová skupina
- Analysté pro výrobní procesy
- Odborníci v oblasti umělé inteligence
- Rozhodovači a manažerové odvozující rozhodnutí z dat
21 hodiny
Reference (2)
ML ekosystém neobsahuje pouze MLflow, ale také Optuna, Hyperopt, Docker a Docker Compose
Guillaume GAUTIER - OLEA MEDICAL
Kurz - MLflow
Přeloženo strojem
Rád jsem se zúčastnil školení Kubeflow, které proběhlo vzdáleně. Toto školení mi umožnilo prohloubit znalosti o službách AWS, K8s a všech devOps nástrojích kolem Kubeflow, což jsou nezbytné základy pro správný přístup k tématu. Rád bych poděkoval Marcinovi Malawskimu za jeho trpělivost a profesionální přístup při školení a poradách o osvědčených postupech. Malawski se k tématu přibližuje z různých úhlů, používá různé nástroje pro nasazení jako Ansible, EKS kubectl a Terraform. Teď jsem naprosto přesvědčen, že vstupuji do správného oboru aplikace.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurz - Kubeflow
Přeloženo strojem
