Εξέλιξη Κομματιού
Εισαγωγή στη Μηχανική Μάθηση στις Επιχειρήσεις
- Η μηχανική μάθηση ως βασικό συστατικό της Τεχνητής Νοημοσύνης
- Τύποι μηχανικής μάθησης: επιβλεπόμενη, μη επιβλεπόμενη, ενισχυτική, ημι-επιβλεπόμενη
- Συνηθισμένοι αλγόριθμοι ML που χρησιμοποιούνται σε επιχειρηματικές εφαρμογές
- Προκλήσεις, κίνδυνοι και πιθανές χρήσεις της ML στην ΤΝ
- Υπερπροσαρμογή και ο συμβιβασμός μεροληψίας-διακύμανσης
Τεχνικές και Ροή Εργασίας Μηχανικής Μάθησης
- Ο κύκλος ζωής της Μηχανικής Μάθησης: από το πρόβλημα στην ανάπτυξη
- Ταξινόμηση, παλινδρόμηση, συσταδοποίηση, ανίχνευση ανωμαλιών
- Πότε να χρησιμοποιήσετε επιβλεπόμενη έναντι μη επιβλεπόμενης μάθησης
- Κατανόηση της ενισχυτικής μάθησης στην επιχειρηματική αυτοματοποίηση
- Θέματα που πρέπει να ληφθούν υπόψη στη λήψη αποφάσεων βάσει ML
Προεπεξεργασία Δεδομένων και Μηχανική Χαρακτηριστικών
- Προετοιμασία δεδομένων: φόρτωση, καθαρισμός, μετασχηματισμός
- Μηχανική χαρακτηριστικών: κωδικοποίηση, μετασχηματισμός, δημιουργία
- Κλιμάκωση χαρακτηριστικών: κανονικοποίηση, τυποποίηση
- Μείωση διαστατικότητας: PCA, επιλογή μεταβλητών
- Διερευνητική ανάλυση δεδομένων και οπτικοποίηση επιχειρηματικών δεδομένων
Νευρωνικά Δίκτυα και Βαθιά Μάθηση
- Εισαγωγή στα νευρωνικά δίκτυα και η χρήση τους στις επιχειρήσεις
- Δομή: εισόδου, κρυφά και εξόδου επίπεδα
- Οπισθοδιάδοση και συναρτήσεις ενεργοποίησης
- Νευρωνικά δίκτυα για ταξινόμηση και παλινδρόμηση
- Χρήση νευρωνικών δικτύων σε προβλέψεις και αναγνώριση προτύπων
Προβλέψεις Πωλήσεων και Προγνωστική Αναλυτική
- Χρονοσειρές έναντι βασισμένων σε παλινδρόμηση προβλέψεων
- Αποσύνθεση χρονοσειρών: τάση, εποχικότητα, κύκλοι
- Τεχνικές: γραμμική παλινδρόμηση, εκθετική εξομάλυνση, ARIMA
- Νευρωνικά δίκτυα για μη γραμμικές προβλέψεις
- Μελέτη περίπτωσης: Πρόβλεψη μηνιαίου όγκου πωλήσεων
Μελέτες Περίπτωσης σε Επιχειρηματικές Εφαρμογές
- Προηγμένη μηχανική χαρακτηριστικών για βελτιωμένη πρόβλεψη με χρήση γραμμικής παλινδρόμησης
- Ανάλυση κατάτμησης με χρήση συσταδοποίησης και αυτοοργανούμενων χαρτών
- Ανάλυση καλαθιού αγοράς και εξόρυξη κανόνων συσχέτισης για πληροφορίες λιανικής
- Ταξινόμηση αθέτησης πελατών με χρήση λογιστικής παλινδρόμησης, δέντρων απόφασης, XGBoost, SVM
Σύνοψη και Επόμενα Βήματα
Απαιτήσεις
- Βασική κατανόηση των αρχών της μηχανικής μάθησης και των εφαρμογών τους
- Εξοικείωση με εργασία σε περιβάλλοντα λογιστικών φύλλων ή εργαλεία ανάλυσης δεδομένων
- Κάποια έκθεση σε Python ή άλλη γλώσσα προγραμματισμού είναι βοηθητική αλλά όχι υποχρεωτική
- Ενδιαφέρον για την εφαρμογή μηχανικής μάθησης σε πραγματικά επιχειρηματικά προβλήματα και προβλέψεων
Κοινό
- Αναλυτές επιχειρήσεων
- Επαγγελματίες ΤΝ
- Λήπτες αποφάσεων και διευθυντές που βασίζονται σε δεδομένα
Σχόλια (2)
Ανθρώπους που δεν έχουν χρησιμοποιήσει ποτέ τεχνητή νοημοσύνη σε επαναλαμβανόμενες διατυπώσεις prompts και ανθρώπους που τη χρησιμοποιούν ήδη να εξετάσουν διαφορετικές μεθόδους χρήσης της.
Matthew Gay - Tarsus Pharmaceuticals
Κομμάτι - Artificial Intelligence (AI) Overview
Μηχανική Μετάφραση
Εργασία από τη βάση με εστιασμένο τρόπο και μετάβαση στην εφαρμογή περιπτώσεων στο ίδιο χρονικό διάστημα
Maggie Webb - Department of Jobs, Regions, and Precincts
Κομμάτι - Artificial Neural Networks, Machine Learning, Deep Thinking
Μηχανική Μετάφραση
