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 hlavní součást Umělé inteligence
- Typy strojového učení: dozorované, nedozorované, posilovací, položádané
- Běžné algoritmy strojového učení používané v podnikatelských aplikacích
- Výzvy, rizika a potenciální využití ML ve strojovém učení
- Přetrenování a obchod mezi předpojatostí a rozptylem (bias-variance tradeoff)
Techniky a pracovní postup strojového učení
- Zivotní cyklus strojového učení: od problému k nasazení
- Klasifikace, regrese, shlukování, detekce odchylek
- Kdy použít dozorované vs. nedozorované učení
- Porozumění posilovacímu učení v podnikové automatizaci
- Důsledky rozhodování řízeného strojovým učením
Zpracování dat a inženýrství funkcí
- Příprava dat: načítání, čištění, transformace
- Inženýrství funkcí: kodování, transformace, vytváření
- Škálování funkcí: normalizace, standardizace
- Redukce dimenzionality: PCA, výběr proměnných
- Základní analýza dat a vizualizace podnikových dat
Případové studie z podnikatelských aplikací
- Pokročilé inženýrství funkcí pro lepší predikci pomocí lineární regrese
- Analýza časových řad a prognózy měsíčního objemu prodeje: sezónní úpravy, regrese, exponenciální vyhlazování, ARIMA, neuronové sítě
- Segmentační analýza pomocí shlukování a samoorganizujících se map
- Analyza košíků zboží a těžba asociativních pravidel pro nákupní洞察
- Klasifikace výpadků zákazníků pomocí logistické regrese, rozhodovacích stromů, XGBoost, SVM
Závěr a další kroky
Požadavky
- Základní znalost konceptů a terminologie strojového učení
- Obratnost s datovou analýzou nebo práci s datovými sadami
- Určitá zkušenost s programovacími jazyky (např. Python) je výhodná, ale není povinná
Cílová skupina
- Business analisté a datoví odborníci
- Rozhodovatelé zajímaní o využití AI
- IT profesionálové zkoumající 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.
