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
Vstup do Machine Learning v Business
- Studium strojového učení jako základního složky umělé inteligence
- Druhy strojového učení: nadzorované, nenadzorované, reforční a půlnadzorované
- Běžné algoritmy ML používané v obchodních aplikacích
- Výzvy, rizika a potenciální uplatnění ML v AI
- Přetrenování a kompromis mezi biasem a variací
Techniky a Pracovní Postup Machine Learning
- Kyklus Machine Learning: od problému k nasazení
- Klasifikace, regrese, shlukování, detekce anomálií
- Čas použití nadzorovaného vs. nenadzorovaného učení
- Pochopení reforčního učení v automatizaci podniku
- Zvážení při rozhodování založeném na ML
Preprocessing Dat a Inženýrství Vlastností
- Příprava dat: nahrávání, čištění, transformace
- Inženýrství vlastností: kódování, transformace, tvorba
- Škálování vlastností: normalizace, standardizace
- Změna dimenzionality: PCA, výběr proměnných
- Explorační analýza dat a vizualizace obchodních dat
Případové Studie v Aplikacích Business
- Pokročilé inženýrství vlastností pro zlepšení predikce pomocí lineární regrese
- Analýza časových řad a prognózy měsíčního objemu prodeje: sezónní úpravy, regrese, exponenciální vyrovnávání, ARIMA, neuronové sítě
- Analýza segmentace pomocí shlukování a samoorganizujících se map
- Analýza košíků nákupů a vytváření pravidel asociací pro zisky ve obchodě
- Klasifikace zákaznického defaktu pomocí logistické regrese, rozhodovacích stromů, XGBoost, SVM
Souhrn a Další Kroky
Požadavky
- Základní pochopení konceptů a terminologie strojového učení
- Znalost analýzy dat nebo práce s datovými soubory
- Nějaké zkušenosti s programovacím jazykem (např. Python) jsou prospěšné, ale nejsou povinné
Cílová skupina
- Business analytici a odborníci na data
- Rozhodovatelé zainteresovaní v přijetí umělé inteligence
- Odborníci v IT, kteří zkoumají aplikace strojového učení ve firmách
14 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.
