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.
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)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurz - 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.
