Ευχαριστούμε που στάλθηκε η αποσαφήνισή σας! Ένα μέλος της ομάδου μας θα επικοινωνήσει μαζί σας σύντομα.
Ευχαριστούμε για την εκδήλωση κράτησης! Ένας από τους συνεργάτες μας θα επικοινωνήσει μαζί σας σύντομα.
Εξέλιξη Κομματιού
Εισαγωγή στη Μηχανική Μάθηση στο Επιχειρηματικό Πλαίσιο
- Η μηχανική μάθηση ως βασικό συστατικό του Τεχνητού Νοημοσύνη
- Τύποι μηχανικής μάθησης: υποεπιβλέπεται, ανυποεπιβλέπεται, ενίσχυσης, παρεμφερώς υποεπιβλέπεται
- Συνηθισμένες αλγόριθμοι ΜΜ που χρησιμοποιούνται σε επιχειρηματικές εφαρμογές
- Προκλήσεις, κινδύνοι και δυνατότητες χρήσης ΜΜ στο ΤΝ
- Η ανάπτυξη υπερβολικά πλοκών (overfitting) και το εμπόδιο bias-variance
Τεχνικές Μηχανικής Μάθησης και Τωρινή Κατάσταση
- O κύκλος βίου της μηχανικής μάθησης: από πρόβλημα ως διανομή
- Καταταξινόμηση, παλινδρομία (regression), συσταδοποίηση, ανίχνευση εκτροπών
- Όταν να χρησιμοποιείται η μάθηση υπό επίβλεψη σε σύγκριση με την ανυπόεπιβλεπτη
- Κατανοώντας τη μάθηση ένισχυσης (reinforcement learning) στην επιχειρηματική αυτομάτωση
- Παραγόντες που πρέπει να ληφθούν υπόψη στην επιχείρηση μελετών βασισμένων σε ΜΜ
Προεργασία Δεδομένων και Μηχανική Πολυπλοκότητας (Feature Engineering)
- Η προεργασία δεδομένων: φόρτωση, καθαρισμός, μετατροπή
- Μηχανική πολυπλοκότητας (Feature Engineering): κωδικοποίηση, μετατροπή, δημιουργία
- Κλίμακα ιδιότητα: συνηθοποίηση (normalization), προσαρμογή (standardization)
- Μείωση διάστασης: PCA, επιλογή μεταβλητών
- Εξερευνητική ανάλυση δεδομένων και επιχειρηματική οπτικοποίηση δεδομένων
Εκδόσεις περιπτικών συμβάντων (Case Studies) σε Εφαρμογές Κλάδου
- Προηγμένη μηχανική πολυπλοκότητας για βελτιωμένη πρόβλεψη χρησιμοποιώντας τη γραμμική παλινδρομία
- Ανάλυση και πρόβλεψη απόστασης χρόνου σε μηνιαία ποσότητα πωλήσεων: τοπική διόρθωση, γραμμική παλινδρομία, εκθετική έξυγρανώση (smoothing), ARIMA, νευρωνικά δίκτυα
- Ανάλυση συσταδοποίησης χρησιμοποιώντας συσταδοποίηση και αυτό-οργανωμένες χάρτες
- Ανάλυση παρακύκλωμα (market basket analysis) και η εξόδου κανόνων σύστασης για αποδείξεις σε πώληση
- Κατάθεση πελατών χρησιμοποιώντας τη γραμμική παλινδρομία, δέντρα απόφασης, XGBoost, SVM
Περίληψη και Επόμενες Βήματα
Απαιτήσεις
- Βασική κατανόηση των εννοιών και της διαφάνειας του μηχανικού μάθηματος
- Γνώρισμα στην ανάλυση δεδομένων ή εργασία με συνόλα δεδομένων
- Κάποια πείρα με γλώσσα προγραμματισμού (π.χ. Python) είναι χρήσιμη αλλά όχι υποχρεωτική
Αντικείμενο
- Επιχειρηματικοί αναλυτές και ειδικοί σε δεδομένα
- Νομιματικοί που ενδιαφέρονται για την υποστήριξη AI
- Ειδικοί IT που έρευναν εφαρμογές μηχανικού μάθηματος στην επιχειρησιακή
14 Ώρες
Σχόλια (2)
ο οικόσυμος της ML όχι μόνο το MLFlow αλλά και το Optuna, το hyperops, το docker, το docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Κομμάτι - MLflow
Μηχανική Μετάφραση
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
Κομμάτι - Kubeflow
Μηχανική Μετάφραση
