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. 

El dilema entre predicción e inferencia

Diferencias entre inferencia y predicción

Options

Inference (Causal)

Prediction

Identifica casos de uso de inferencia vs. predicción

Modelos de inferencia (causales)

Experimentos y modelos causales

Identifica variables no accionables

Modelos de predicción (aprendizaje supervisado)

Principios del modelado supervisado

Modelos de Machine Learning

Clasificación

Regresión

Identifica modelos de clasificación y regresión

Modelos de predicción (aprendizaje no supervisado)

Casos de uso del modelado no supervisado

Casos de uso de Machine Learning

Aprendizaje no supervisado

Clasificación, regresión o modelos no supervisados

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

Experimentos y modelos causales

Machine Learning para negocios

Ejercicio interactivo práctico