Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Varaktighet 21 timmar
Kursplan
Introduktion till maskininlärning i företag
- Maskininlärning som en kärnkomponent i konstgjord intelligens
- Typer av maskininlärning: övervakad, oövervakad, förstärkning, halvövervakad
- Vanliga ML-algoritmer använda i företagsapplikationer
- Utmaningar, risker och potentiella användningsområden för ML i AI
- Överanpassning och bias-varianstrafiken
Maskininlärningstekniker och arbetsflöde
- Maskininlärningscykel: från problem till distribution
- Klassificering, regression, klustring, avvikelsedetektion
- När man ska använda övervakad vs oövervakad inlärning
- Förstå förstärkninginlärning i företagsautomatisering
- Överväganden i ML-drivna beslutsfattande
Databearbetning och funktionsutformning
- Datapreparation: lastning, rengöring, omvandling
- Funktionsutformning: kodning, omvandling, skapande
- Skalning av funktioner: normalisering, standardisering
- Dimensionreduktion: PCA, variabelval
- Utforskande dataanalys och företagsdatavisualisering
Neurala nätverk och djupinlärning
- Introduktion till neurala nätverk och deras användning i företag
- Struktur: ingångs-, dolda och utgångslager
- Tillbakapropagering och aktiveringsfunktioner
- Neurala nätverk för klassificering och regression
- Användning av neurala nätverk i prognos och mönsterigenkänning
Försäljningsprognos och prediktiv analys
- Tidsserie vs regressionbaserad prognos
- Decomposition av tidsserier: trend, säsongsmässighet, cykler
- Tekniker: linjär regression, exponentiell glättning, ARIMA
- Neurala nätverk för icke-linjär prognos
- Fallstudie: Prognosering av månadsvis försäljningsvolym
Fallstudier i företagsapplikationer
- Avancerad funktionsutformning för förbättrad prediktionsförmåga med linjär regression
- Segmentanalys med klustring och självorganiserande kartor
- Marknadskorganalys och regelbaserad analys för detaljerad insikt
- Klassificering av kunders förfall med logistisk regression, beslutsträd, XGBoost, SVM
Sammanfattning och nästa steg
Krav
- Grundläggande förståelse för maskininlärningsprinciper och deras tillämpningar
- Erfarenhet av arbete i kalkylbladsmiljöer eller dataanalysverktyg
- Något erfarenhet av Python eller ett annat programmeringsspråk är till hjälp men inte obligatoriskt
- Intresse av att tillämpa maskininlärning på verkliga företags- och prognosproblem
Målgrupp
- Affärsanalytiker
- AI-professionella
- Datadrivna beslutsfattare och chefer
Vittnesmål (2)
Att hjälpa dem som aldrig har använt AI att uppnå bättre precision genom upprepade anpassningar av prompts, samt uppmuntra erfarna användare att utforska olika strategier för att använda tekniken.
Matthew Gay - Tarsus Pharmaceuticals
Kurs - Artificial Intelligence (AI) Overview
Maskintolkat
Att arbeta från grunderna på ett fokuserat sätt och övergå till att tillämpa fallstudier samma dag
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maskintolkat