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 e piramide dei dati

Chiarimento della terminologia

Piramide dei bisogni dei dati

Ordina i bisogni della piramide dei dati

Opzioni

Machine Learning in produzione

Prototipazione e test di ML

Analisi

Abbina i compiti nella piramide dei dati

Principi di Machine Learning

Tipi di modellazione

Casi d’uso del Machine Learning

Supervised Machine Learning

Unsupervised Machine Learning

Individua i casi di supervised e unsupervised

Ruoli, strumenti e tecnologie

Responsabilità dei ruoli lavorativi

Voci della roadmap di Analytics

Data Analyst

Data Scientist

Machine Learning Engineer

Abbina i progetti dati ai ruoli

Strutture organizzative dei dati

Centralizzato

Decentralizzato

Ibrido

Tipi di struttura del team

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.

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

Creare un modello automatico di risk scoring in un sistema di home banking.

Distribuire un modello di machine learning che prevede gli acquisti dei clienti nel sistema CRM dell'azienda.

Creare un semplice modello di previsione del churn e collaborare con il team marketing per testare se i clienti a rischio possono essere trattenuti con determinati incentivi.

Eseguire un test A/B di tre diversi template email per confrontare il coinvolgimento dei clienti e scegliere la versione più efficace.

Creare una dashboard settimanale degli acquisti dei clienti suddivisa per area geografica e tipologia di prodotto.

Analizzare le tendenze dei clienti esaminando dati più granulari a livello di coorte e una serie di grafici comparativi.

Abbina i compiti nella piramide dei dati

Machine Learning per il business

Esercizio pratico interattivo