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

Seřaď potřeby datové pyramidy

Přiřaď úlohy do pyramidy dat

Principy strojového učení

Typy modelování

Rozeznávej supervised a unsupervised případy

Role, nástroje a technologie

Odpovědnosti pracovních rolí

Přiřaď datové projekty k pracovním rolím

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

Možnosti

Inference (kauzální)

Predikce

Rozeznávání inferenčních a predikčních případů užití

Inferenční (kauzální) modely

Experimenty a kauzální modely

Identifikuj neakčně využitelné proměnné

Predikční modely (supervised learning)

Principy supervised modelování

Modely strojového učení

Klasifikace

Regrese

Rozeznávej klasifikační a regresní modely

Predikční modely (unsupervised learning)

Příklady použití unsupervised modelování

Případy využití Machine Learningu

Unsupervised learning

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

Pyramida datových potřeb

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.

Principy supervised modelování

Machine Learning pro byznys

Interaktivní praktické cvičení