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.
Course Outline
Εισαγωγή στην Μάशιν λέρνινγ στις Επιχειρήσεις
- Η μάσιν λέρνινγ ως κύριο ελεγχόμενο στον Τεχνητό Νουν
- Τυποί μάσιν λέρνινγ: επανεξαγωγή, αθεωρητικό, πλήρης επίβλεψη, μισή επίβλεψη
- Κοινά λογισμικά για ML χρησιμοποιούνται στις εφαρμογές των επιχειρήσεων
- Ανησυχίες, κινδύνους και πιθανές χρήσεις της ML στον AI
- Overfitting και η επιλογή ανάμεσα στη βία-διαφορά
Τεχνικές και Διαδικασίας της Machine Learning
- Η διαδικασία της μάσιν λέρνινγ: περίπτωση από προβλήματα στο deployment
- Διάκριση, ορισμός, γυμναστήρια, εντοπισμός ανωμαλιών
- Πότε να χρησιμοποιήσετε supervised vs unsupervised μάσιν λέρνινγ
- Συνειδητοποίηση του reinforcment μάσιν λέρνινγ στη αυτόματη διοίκηση των επιχειρήσεων
- Παράληψες στο ML-driven λήψη αποφάσεων
Διαθέτω με Preprocessing και Feature Engineering
- Τύποι δεδομένων: εισαγωγή, πυξίδες, μετάφραση
- Feature engineering: κώδικας, μετατροπή, δημιουργία
- Κλίμαξ χαρακτηριστικών: normalisation, πρότυπος
- Reduction των διαστάσεων: PCA, επιλογή μεταβλητών
- Πεζή ανάλυση δεδομένων και εμφάνιση δεδομένων του βικινες
Neural Networks και Deep Learning
- Εισαγωγή στο network και χρήση του μέσα στο business
- Συνθεώς: είσοδο, κρύπτο ανάθεμα, και πόροι οξυγόνου
- Backpropagation και λειτουργίες μηχανής
- Neural networks για classification και regression
- Χρήση neural networks στο forecasting και αναγνώριση προτύπων
Sales Forecasting και Predictive Analytics
- Time series vs regression-based μάσιν λέρνινγ-βασική πρόβλεψη
- Κατάθλιψη των time series: μίμιση, αεριοσυσχύσεις, κύκλους
- Techniques: regression, exponential smoothing, ARIMA
- Neural networks για nonlinear forecasting
- Πεζή περίπτωση: πρόβλεψη του monthly sales volume
Case Studies στις εφαρμογές των επιχειρήσεων
- Πρόοδος feature engineering για βελτιώσεις προβλέψεις χρησιμοποιώντας linear regression
- Segmentation ανάλυση χρησιμοποιώντας clustering και self-organizing maps
- Ανάλυση market basket και association rule mining για insights των retail
- Customer default classification χρησιμοποιώντας logistic regression, decision trees, XGBoost, SVM
Σύνοψη και Next Steps
Requirements
- Βασική κατανόηση των αρχών της μηχανικής μάθησης και των εφαρμογών τους
- Νοήμωση στη λειτουργία σε περιβάλλον εξαργές παραθύρων ή εργαλεία ανάλυσης δεδομένων
- Μερική εμπειρία με το Python ή κάποιο άλλο πρόγραμμα γλώσσας είναι χρήσιμη αλλά δεν είναι υποχρεωτική
- Ενδιαφέρον στην εφαρμογή της μηχανικής μάθησης σε πραγματικά βιομηχανικά και προβλέψεων προβλήματα
Αудитόριο
- Αναλυτικοί επιχειρησιακοί
- Προфессионаλς AI
- Δελτιοθέτες και διαχειριστές με βάση δεδομένα
21 Hours
Testimonials (2)
ο οικόσυμος της ML όχι μόνο το MLFlow αλλά και το Optuna, το hyperops, το docker, το docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Course - MLflow
Machine Translated
Μετάφραση αυτού Από: en Σε: el Με ευχαρίστησε να συμμετάσχω στην εκπαίδευση Kubeflow, η οποία πραγματοποιήθηκε από μακρές αποστάσεις. Αυτή η εκπαίδευση μου δώρισε την ευκαιρία να παγιώσω τις γνώσεις μου για υπηρεσίες AWS, K8s και όλα τα εργαλεία devOps που σχετίζονται με το Kubeflow, οι οποίες είναι τα απαραίτητα βάσιμα για να αντιμετωπίσουμε σωστά το θέμα. Θέλω να ευχαριστήσω τον Malawski Marcin για τη χρηστικότητά και την προфессионаλιστικότητά του στην εκπαίδευση και τις συμβουλές για τις καλύτερες πρακτικές. Ο Malawski προσέγγιζε το θέμα από διάφορες αποψίδες, διάφορα εργαλεία κατανάλωσης Ansible, EKS kubectl, Terraform. Τώρα είμαι σίγουρος ότι προχωρώ στο σωστό πεδίο εφαρμογής.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Course - Kubeflow
Machine Translated
