Machine learning se využívá v mnoha různých odvětvích a oblastech. Při správném nasazení dokáže zásadně přispět k rozvoji byznysu. Tato kapitola představuje use cases machine learningu, pracovní role a jejich místo v pyramidě datových potřeb.

Strojové učení a datová pyramida

Vyjasnění pojmů

Pyramida datových potřeb

Seřaď potřeby datové pyramidy

Možnosti

Machine Learning v produkci

Prototypování a testování ML

Analýza

Přiřaď úlohy do pyramidy dat

Principy strojového učení

Typy modelování

Případy použití Machine Learningu

Supervised machine learning

Unsupervised machine learning

Rozeznávej supervised a unsupervised případy

Role, nástroje a technologie

Odpovědnosti pracovních rolí

Položky analytického plánu

Data Analyst

Data Scientist

Machine Learning Engineer

Přiřaď datové projekty k pracovním rolím

Struktury organizace dat

Centralizovaný

Decentralizovaný

Hybridní

Typy týmových struktur

Machine learning a datové use cases

Tato kapitola poskytuje přehled různých typů machine learningu. Podíváme se na rozdíly mezi kauzálními modely a predikčními modely, prozkoumáme supervised a unsupervised learning a nakonec si objasníme podtypy supervised learningu: klasifikaci a regresi.

Predikce vs. inference

Rozdíly mezi inferencí a predikcí

Rozeznávání inferenčních a predikčních případů užití

Inferenční (kauzální) modely

Experimenty a kauzální modely

Identifikuj neakčně využitelné proměnné

Predikční modely (supervised learning)

Principy supervised modelování

Rozeznávej klasifikační a regresní modely

Predikční modely (unsupervised learning)

Příklady použití unsupervised modelování

Klasifikace, regrese nebo unsupervised modely

Typy machine learningu

Tato kapitola se věnuje klíčovým krokům při definování byznysových požadavků, identifikaci a ohodnocení příležitostí pro machine learning, hodnocení výkonu modelů a rozpoznání potenciálních rizik v celém procesu.

Obchodní požadavky

Rozpoznej situaci, příležitost a akci

Rozpoznej úspěšné experimenty

Trénování modelu

Proces trénování modelu

Trénovací, validační a testovací data

Měření výkonnosti modelu

Příklady špatného výkonu

Rozpoznej metriky výkonnosti

Rizika strojového učení

Jak zacházet s nefungujícími modely

Modely bez praktického využití

Identifikuj použitelná doporučení

Byznysové požadavky a návrh modelu

Tato kapitola se zaměří na osvědčené i nevhodné postupy při řízení projektů machine learningu. Identifikujeme nejčastější chyby, naučíme se, jak řídit komunikaci mezi byznysovými a ML týmy, a nakonec se budeme věnovat výzvám spojeným s nasazením modelů machine learningu do produkce.

Chyby v machine learningu

Identifikuj chyby v machine learningu

Přiřaď chyby v ML podle jejich typu

Řízení komunikace

Zaměření obchodní komunikace

Tržní testování

Machine learning v produkci

Produkční systémy

Případy využití ML v produkčních systémech

Nasazení ML do produkce

Závěr

Řízení projektů machine learningu

Tento kurz představí klíčové prvky machine learningu vedoucím pracovníkům v byznysu. Zaměříme se na nejdůležitější poznatky a osvědčené postupy, jak formulovat obchodní otázky jako modelovací projekty ve spolupráci s ML týmy. Pochopíš různé typy modelů, jaké obchodní otázky pomáhají zodpovědět a jaké příležitosti dokážou odhalit. Naučíš se také rozpoznat situace, kdy machine learning použít nemá smysl – což je stejně důležité. Porozumíš rozdílu mezi inference a predikcí, předpovídáním pravděpodobnosti a hodnot a zjistíš, jak unsupervised learning pomáhá budovat smysluplnou strategii zákaznické segmentace.

<h2> Naučte se základy strojového učení </h2>
<br>
Tento kurz představí klíčové prvky strojového učení vedoucím pracovníkům v byznysu. Zaměříme se na klíčové poznatky a základní postupy, jak strukturovat obchodní otázky jako modelovací projekty s týmy strojového učení. 
<br><br>
<h2> Ponořte se do specifik modelu </h2>
<br>
Porozumíte různým typům modelů, jaké obchodní otázky pomáhají zodpovědět nebo jaké příležitosti mohou odhalit, a také se naučíte rozpoznat situace, kdy by se strojové učení NOT mělo použít, což je stejně důležité. Pochopíte rozdíl mezi inferencí a predikcí, předpovídáním pravděpodobnosti a částek a také to, jak může použití neřízeného učení pomoci vytvořit smysluplnou strategii segmentace zákazníků.

Role, nástroje a technologie

Create Your Free Account