Εξέλιξη Κομματιού
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
Απαιτήσεις
- 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
Σχόλια (3)
Μου άρεσαν πολύ τα τελικά όπου είχαμε την ευκαιρία να παίξουμε με το CHAT GPT. Η αίθουσα δεν ήταν κατά κάποιον τρόπο η καλύτερη γι' αυτό - αντί να υπάρχει μια μεγάλη τράπεζα, δυο μικρές θα βοήθησαν και θα μπορούσαμε να σχηματίσουμε μικρότερους ομάδες για διαδικασίες υποστήριξης.
Nola - Laramie County Community College
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
Ότι χρησιμοποιούσε πραγματικά δεδομένα επιχειρήσεων. Ο καθηγητής είχε μια πολύ καλή προσέγγιση, κάνοντας τους εκπαιδευόμενους να συμμετέχουν και να ανταγωνίζονται
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Κομμάτι - Applied AI from Scratch in Python
Μηχανική Μετάφραση
