Machine Learning digunakan di berbagai industri dan bidang. Jika diterapkan dengan benar, hal ini dapat meningkatkan bisnis secara mendasar. Bab ini menguraikan use case Machine Learning, peran pekerjaan, dan bagaimana semuanya selaras dalam piramida kebutuhan data.

Machine learning dan piramida data

Klarifikasi terminologi

Urutkan kebutuhan piramida data

Cocokkan tugas dalam piramida data

Prinsip Machine Learning

Jenis pemodelan

Temukan kasus supervised dan unsupervised

Peran pekerjaan, alat, dan teknologi

Tanggung jawab peran pekerjaan

Cocokkan proyek data dengan peran pekerjaan

Jenis struktur tim

Machine Learning dan use case data

Bab ini memberikan gambaran berbagai jenis Machine Learning. Kita akan meninjau perbedaan antara model kausal dan prediksi, mengeksplorasi supervised dan unsupervised learning, dan akhirnya memahami subjenis supervised learning: klasifikasi dan regresi.

Dilema prediksi vs. inferensi

Perbedaan inference dan prediction

Identifikasi use case inferensi vs. prediksi

Model inferensi (kausal)

Eksperimen dan model kausal

Identifikasi variabel yang tidak dapat ditindaklanjuti

Model prediksi (supervised learning)

Prinsip pemodelan supervised

Identifikasi model classification dan regression

Model prediksi (pembelajaran tanpa pengawasan)

Contoh penerapan pemodelan tanpa supervisi

Klasifikasi, regresi, atau model unsupervised

Jenis-jenis Machine Learning

Bab ini meninjau langkah-langkah kunci dalam merumuskan kebutuhan bisnis, mengidentifikasi dan mengukur peluang Machine Learning, menilai kinerja model, serta mengidentifikasi risiko kinerja dalam prosesnya.

Kebutuhan bisnis

Pernyataan

Situasi bisnis

Peluang bisnis

Aksi bisnis

Identifikasi situasi, peluang, dan aksi

Identifikasi eksperimen yang berhasil

Pelatihan model

Proses pelatihan model

Tugas ML

Training

Test

Training, validation, dan test

Pengukuran kinerja model

Contoh kinerja buruk

Opsi

Precision

Recall

Error

Identifikasi metrik kinerja

Risiko Machine Learning

Memperbaiki model yang tidak berkinerja

Model yang tidak dapat ditindaklanjuti

Identifikasi rekomendasi yang dapat ditindaklanjuti

Kebutuhan bisnis dan perancangan model

Bab ini akan meninjau praktik terbaik dan terburuk dalam mengelola proyek Machine Learning. Kita akan mengidentifikasi kesalahan Machine Learning yang paling umum, mempelajari cara mengelola komunikasi antara bisnis dan tim ML, dan akhirnya membahas tantangan saat menerapkan model Machine Learning ke produksi.

Kesalahan dalam Machine Learning

Identifikasi kesalahan dalam machine learning

Piramida kebutuhan data

Cocokkan kesalahan ML berdasarkan jenisnya

Manajemen komunikasi

Fokus komunikasi bisnis

Pengujian pasar

Machine learning di produksi

Sistem produksi

Kasus penggunaan ML pada sistem produksi

ML di peluncuran produksi

Ringkasan

Mengelola proyek Machine Learning

Kursus ini akan memperkenalkan elemen-elemen kunci Machine Learning kepada para pemimpin bisnis. Kita akan berfokus pada wawasan inti dan praktik dasar tentang cara menyusun pertanyaan bisnis sebagai proyek pemodelan bersama tim Machine Learning. Anda akan memahami berbagai jenis model, pertanyaan bisnis apa yang dapat mereka bantu jawab, serta peluang apa yang dapat mereka ungkap, dan juga belajar mengidentifikasi situasi ketika Machine Learning TIDAK boleh diterapkan, yang sama pentingnya. Anda akan memahami perbedaan antara inferensi dan prediksi, memprediksi probabilitas dan jumlah, serta bagaimana penggunaan unsupervised learning dapat membantu membangun strategi segmentasi pelanggan yang bermakna.

<h2> Pelajari Dasar-Dasar Machine Learning </h2>
<br>
Kursus ini akan memperkenalkan unsur-unsur utama machine learning kepada para pemimpin bisnis. Kami akan fokus pada wawasan kunci dan praktik dasar dalam merumuskan pertanyaan bisnis sebagai proyek pemodelan bersama tim machine learning. 
<br><br>
<h2> Telusuri Detail Model </h2>
<br>
Anda akan memahami berbagai jenis model, jenis pertanyaan bisnis apa yang dapat mereka bantu jawab, atau jenis peluang apa yang dapat mereka temukan. Selain itu, Anda juga akan belajar mengidentifikasi situasi di mana machine learning TIDAK SEHARUSNYA diterapkan, yang sama pentingnya. Anda akan memahami perbedaan antara inferensi dan prediksi, memprediksi probabilitas dan jumlah, serta bagaimana penggunaan pembelajaran tanpa pengawasan dapat membantu membangun strategi segmentasi pelanggan yang bermakna.

Memperbaiki model yang tidak berkinerja

Machine Learning untuk Bisnis

Latihan interaktif langsung