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.

Kesalahan dalam Machine Learning

Identifikasi kesalahan dalam machine learning

Piramida kebutuhan data

Opsi

Data tidak cukup

Pengujian terlambat, tanpa dampak

Pemilihan fitur

Cocokkan kesalahan ML berdasarkan jenisnya

Manajemen komunikasi

Fokus komunikasi bisnis

Proses pengujian pasar ML

Pengujian pasar

Machine learning di produksi

Sistem produksi

Kasus penggunaan Machine Learning di produksi

Manajemen hubungan pelanggan

Sistem pencegahan penipuan

Mobil otonom

Kasus penggunaan ML pada sistem produksi

Proses Data Science

ML di peluncuran produksi

Ringkasan

Managing machine learning projects

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.

Pahami dasar-dasar Machine Learning dan penerapannya di dunia bisnis.

Machine Learning untuk Bisnis

Pahami dasar-dasar Machine Learning dan bagaimana penerapannya di dunia bisnis.

Ilmuwan Data dalam Python

Ilmuwan Data di R

Tim telah meninjau sumber data: sistem tidak menangkap data dengan benar dan tidak dapat digunakan untuk membangun model.

Tim telah meninjau data pelanggan: 3% pelanggan memiliki data yang terekam dalam format terstruktur, sisanya berada di sistem back-end.

Tim menghabiskan 2 bulan membangun model prototipe. Mereka membutuhkan 8 bulan lagi untuk menyempurnakannya sebelum menjalankan uji A/B di pasar.

Model telah diuji di pasar dan tidak menunjukkan hasil; tim mengatakan mereka membutuhkan 6 bulan lagi untuk menyempurnakan algoritma model.

Tim mengatakan mereka akan menggunakan semua data yang mungkin untuk model inferensial dan tidak memerlukan masukan dari tim bisnis.

Tim ingin mendapatkan semua data yang mungkin sebelum membangun prototipe. Mereka membutuhkan 8 bulan untuk menggabungkan data dari berbagai sumber.

Cocokkan kesalahan ML berdasarkan jenisnya

Machine Learning untuk Bisnis

Latihan interaktif praktis