Machine Learning se usa en muchos sectores y áreas. Si se aplica bien, puede transformar el negocio de forma profunda. Este capítulo describe casos de uso de Machine Learning, los perfiles profesionales implicados y cómo encajan en la pirámide de necesidades de datos.

Machine Learning y la pirámide de datos

Aclaración de terminología

Ordena las necesidades de la pirámide de datos

Relaciona las tareas con la pirámide de datos

Principios de Machine Learning

Tipos de modelado

Identifica casos supervisados y no supervisados

Funciones, herramientas y tecnologías

Responsabilidades por rol

Asocia proyectos de datos con roles profesionales

Tipos de estructura de equipos

Machine Learning y casos de uso de datos

Este capítulo ofrece una vista general de los diferentes tipos de Machine Learning. Veremos las diferencias entre modelos causales y de predicción, exploraremos el aprendizaje supervisado y no supervisado, y por último entenderemos los subtipos del aprendizaje supervisado: clasificación y regresión.

El dilema entre predicción e inferencia

Diferencias entre inferencia y predicción

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

Identifica modelos de clasificación y regresión

Modelos de predicción (aprendizaje no supervisado)

Casos de uso del modelado no supervisado

Clasificación, regresión o modelos no supervisados

Tipos de Machine Learning

Este capítulo repasa los pasos clave para definir los requisitos de negocio, identificar y dimensionar oportunidades de Machine Learning, evaluar el rendimiento del modelo e identificar posibles riesgos de rendimiento en el proceso.

Requisitos de negocio

Identifica situación, oportunidad y acción

Identifica experimentos exitosos

Entrenamiento del modelo

Proceso de entrenamiento del modelo

Entrenamiento, validación y test

Medición del rendimiento del modelo

Ejemplos de bajo rendimiento

Identifica las métricas de rendimiento

Riesgos del Machine Learning

Cómo arreglar modelos que no rinden

Modelos no accionables

Identifica recomendaciones accionables

Requisitos de negocio y diseño del modelo

En este capítulo veremos las mejores y peores prácticas al gestionar proyectos de Machine Learning. Identificaremos los errores más comunes, aprenderemos a gestionar la comunicación entre el negocio y los equipos de ML y, por último, abordaremos los retos de poner modelos de Machine Learning en producción.

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

Gestión de proyectos de Machine Learning

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.

Cierre

Create Your Free Account