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.

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.

Errores comunes en Machine Learning

Identifica errores en Machine Learning

Pirámide de necesidades de datos

Opciones

No hay suficientes datos

Pruebas tardías, sin impacto

Selección de variables (feature selection)

Relaciona los errores de ML con su tipo

Gestión de la comunicación

Enfoque de la comunicación con negocio

Proceso de pruebas de mercado con ML

Pruebas de mercado

Machine learning en producción

Sistemas en producción

Casos de uso de Machine Learning en producción

Gestión de las relaciones con clientes (CRM)

Sistema de prevención de fraude

Coche autónomo

Casos de uso de ML en sistemas de producción

Proceso de Data Science

ML en lanzamiento a producción

Cierre

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

Un modelo de Machine Learning en tiempo real predice qué producto podría interesarle al cliente y desencadena automáticamente un correo electrónico de promoción del producto.

Los clientes de alto valor reciben varios descuentos promocionales cuando el sistema predice que corren riesgo de abandono.

Una transacción se envía al equipo para revisión manual después de que el sistema la marca como «arriesgada».

El cliente recibe un correo electrónico solicitando información sobre su transferencia de dinero. El sistema identificó una transacción potencialmente arriesgada.

Las lecturas de los sensores predicen una posible colisión y el sistema acciona automáticamente los frenos del coche para evitarla.

El coche debería girar a la derecha en el próximo cruce. La carretera está cortada; el sistema recalcula automáticamente el trayecto para ofrecer una ruta alternativa.

Casos de uso de ML en sistemas de producción

Machine Learning para negocios

Ejercicio interactivo práctico