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 y la pirámide de datos

Aclaración de terminología

Pirámide de necesidades de datos

Ordena las necesidades de la pirámide de datos

Opciones

Machine Learning en producción

Prototipado y pruebas de ML

Análisis

Relaciona las tareas con la pirámide de datos

Principios de Machine Learning

Tipos de modelado

Casos de uso de Machine Learning

Aprendizaje supervisado

Aprendizaje no supervisado

Identifica casos supervisados y no supervisados

Funciones, herramientas y tecnologías

Responsabilidades por rol

Elementos del roadmap de analytics

Data Analyst

Data Scientist

Machine Learning Engineer

Asocia proyectos de datos con roles profesionales

Estructuras de organización de datos

Centralizada

Descentralizada

Híbrida

Tipos de estructura de equipos

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.

Business requirements

Identify situation, opportunity and action

Identify successful experiments

Model training

Model training process

Training, validation and test

Model performance measurement

Poor performance examples

Identify performance metrics

Machine learning risks

Fixing non performing models

Non-actionable models

Identify actionable recommendations

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

Hacer un análisis ad hoc comparando el rendimiento interanual de distintas unidades de negocio.

Prototipar un modelo de Machine Learning en un portátil y presentar los resultados al negocio.

Diseñar un experimento y ejecutar un test A/B con el equipo de prevención de fraude de un banco.

Reescribir el prototipo de modelo de Machine Learning en código de producción y desplegarlo en la web de cara al cliente de la empresa.

Diseñar desde cero un algoritmo de scoring de riesgo de clientes y desplegarlo en tiempo real en una app bancaria.

Asocia proyectos de datos con roles profesionales

Machine Learning para negocios

Ejercicio interactivo práctico