Machine learning is used in many different industries and fields. It can fundamentally improve the business if applied correctly. This chapter outlines machine learning use cases, job roles and how they fit in the data needs pyramid.

Machine learning and data pyramid

Terminology clarification

Order data pyramid needs

Match tasks in data pyramid

Machine learning principles

Modeling types

Find supervised and unsupervised cases

Job roles, tools and technologies

Job role responsibilities

Match data projects with job roles

Team structure types

Machine learning and data use cases

This chapter overviews different machine learning types. We will look into differences between causal and prediction models, explore supervised and unsupervised learning, and finally understand the sub-types of supervised learning: classification and regression. 

Prediction vs. inference dilemma

Inference and prediction differences

Identify inference vs. prediction use cases

Inference (causal) models

Experiments and causal models

Identify non actionable variables

Prediction models (supervised learning)

Supervised modeling principles

Identify classification and regression models

Prediction models (unsupervised learning)

Unsupervised modeling use cases

Classification, regression or unsupervised models

Machine learning types

This chapter reviews key steps in scoping out business requirements, identifying and sizing machine learning opportunities, assessing the model performance, and identifying any performance risks in the process.

Requisitos de negocio

Afirmaciones

Situación de negocio

Oportunidad de negocio

Acción de negocio

Identifica situación, oportunidad y acción

Identifica experimentos exitosos

Entrenamiento del modelo

Proceso de entrenamiento del modelo

Tareas de ML

Entrenamiento

Test

Entrenamiento, validación y test

Medición del rendimiento del modelo

Ejemplos de bajo rendimiento

Opciones

Precisión

Recall

Error

Identifica las métricas de rendimiento

Riesgos del Machine Learning

Cómo arreglar modelos que no rinden

Modelos no accionables

Identifica recomendaciones accionables

Business requirements and model design

This chapter will look into the best and worst practices of managing machine learning projects. We will identify most common machine learning mistakes, learn how to manage communication between the business and ML teams and finally address the challenges when deploying machine learning models to production.

Machine learning mistakes

Identify machine learning mistakes

Data needs pyramid

Match ML mistakes by their types

Communication management

Business communication focus

Market testing

Machine learning in production

Production systems

Production systems ML use cases

ML in production launch

Wrap-up

Managing machine learning projects

Este curso presentará los elementos clave de Machine Learning a los líderes de negocio. Nos centraremos en las ideas esenciales y en las prácticas básicas para convertir preguntas de negocio en proyectos de modelado junto con los equipos de Machine Learning. Entenderás los distintos tipos de modelos, qué tipo de preguntas de negocio ayudan a responder o qué oportunidades pueden destapar, y también aprenderás a identificar situaciones en las que NO se debe aplicar Machine Learning, algo igual de importante. Comprenderás la diferencia entre inferencia y predicción, la predicción de probabilidades y de cantidades, y cómo el aprendizaje no supervisado puede ayudar a construir una estrategia de segmentación de clientes con sentido.

<h2> Aprende los fundamentos del machine learning </h2>
<br>
Este curso presentará los elementos clave del machine learning a los líderes empresariales. Nos centraremos en las ideas clave y las prácticas básicas sobre cómo estructurar las cuestiones empresariales como proyectos de modelado con los equipos de machine learning. 
<br><br>
<h2> Sumérgete en los detalles del modelo </h2>
<br>
Comprenderás los distintos tipos de modelos, qué tipo de preguntas empresariales ayudan a responder o qué tipo de oportunidades pueden descubrir, y también aprenderás a identificar las situaciones en las que NO se debe aplicar el machine learning, lo cual es igualmente importante. Comprenderás la diferencia entre inferencia y predicción, la predicción de probabilidades y cantidades, y cómo el uso del aprendizaje no supervisado puede ayudar a construir una estrategia significativa de segmentación de clientes.

Comprende los fundamentos del Aprendizaje Automático y su aplicación en el mundo empresarial.

Machine Learning para negocios

Comprende los fundamentos del machine learning y cómo se aplica en el mundo empresarial.

Científico de datos en Python

Científico de datos in R

Este conjunto de datos se usa para entrenar el modelo.

Este conjunto de datos contiene variables de entrada y la variable objetivo para que el modelo aprenda los patrones (entrenamiento del modelo).

Una vez entrenado el modelo final de ML, su rendimiento se mide con este conjunto de datos.

Este es el último paso del proceso de ML antes de informar de la métrica final de rendimiento del modelo.

Entrenamiento, validación y test

Machine Learning para negocios

Ejercicio interactivo práctico