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.

Requisiti di business

Affermazioni

Situazione di business

Opportunità di business

Azione di business

Identifica situazione, opportunità e azione

Identifica gli esperimenti riusciti

Addestramento del modello

Processo di training del modello

Attività di ML

Training

Test

Training, validation e test

Misurazione delle prestazioni del modello

Esempi di scarse prestazioni

Opzioni

Precision

Recall

Error

Identifica le metriche di performance

Rischi del Machine Learning

Correggere i modelli che non performano

Modelli non azionabili

Individua raccomandazioni attuabili

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

Questo corso introduce gli elementi chiave del Machine Learning ai business leader. Ci concentreremo sugli insight principali e sulle pratiche di base per trasformare le domande di business in progetti di modellazione con i team di Machine Learning. Capirai i diversi tipi di modelli, a quali domande di business aiutano a rispondere e quali opportunità possono far emergere; imparerai anche a riconoscere le situazioni in cui il Machine Learning NON dovrebbe essere applicato, aspetto altrettanto importante. Capirai la differenza tra inferenza e predizione, tra prevedere probabilità e quantità, e come l’apprendimento non supervisionato possa aiutare a costruire una strategia di segmentazione clienti efficace.

<h2> Impara le basi del machine learning </h2>
<br>
Questo corso spiegherà ai capi aziendali le cose più importanti del machine learning. Ci concentreremo sulle idee principali e sulle pratiche di base su come strutturare le domande aziendali come progetti di modellazione con i team di machine learning. 
<br><br>
<h2> Scopri i dettagli del modello </h2>
<br>
Capirai i diversi tipi di modelli, a quali domande aziendali aiutano a rispondere o quali opportunità possono scoprire, e imparerai anche a capire quando NON è il caso di usare il machine learning, cosa altrettanto importante. Capirai la differenza tra inferenza e previsione, prevedere probabilità e quantità, e come usare l'apprendimento non supervisionato può aiutarti a costruire una strategia di segmentazione della clientela significativa.

Comprendi le basi del Machine Learning e la sua applicazione nel mondo degli affari.

Machine Learning per il business

Scopri le basi del Machine Learning e come si usa nel mondo del business.

Scienziato dei dati in Python

Scienziato dei dati in R

Questo dataset viene utilizzato per addestrare il modello.

Questo dataset contiene le feature di input e la variabile target su cui il modello impara gli schemi (addestramento del modello).

Una volta addestrato il modello finale di ML, le sue prestazioni vengono misurate su questo dataset.

Questo è l’ultimo passaggio del processo di ML prima di riportare la metrica di performance finale del modello.

Training, validation e test

Machine Learning per il business

Esercizio pratico interattivo