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. 

Il dilemma tra previsione e inferenza

Differenze tra inference e prediction

Opzioni

Inference (Causale)

Prediction

Identifica i casi d’uso: inference vs. prediction

Modelli di inferenza (causali)

Esperimenti e modelli causali

Identifica le variabili non azionabili

Modelli di previsione (apprendimento supervisionato)

Principi della modellazione supervisionata

Modelli di machine learning

Classificazione

Regressione

Riconosci modelli di classificazione e regressione

Modelli di previsione (apprendimento non supervisionato)

Casi d’uso del modeling non supervisionato

Casi d'uso del Machine Learning

Apprendimento non supervisionato

Classificazione, regressione o modelli non supervisionati

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

Un negozio di giocattoli online vuole prevedere quali clienti probabilmente compreranno una bicicletta il prossimo mese.

Un produttore di auto vuole usare i dati dei sensori per identificare quali parti della linea di produzione sono potenzialmente difettose e richiedono un’ispezione manuale.

Un’azienda di videogiochi vuole prevedere quanto tempo ogni giocatore probabilmente passerà a giocare il prossimo mese.

Una banca vuole prevedere quanti soldi i clienti spenderanno per diversi servizi nel prossimo anno.

Riconosci modelli di classificazione e regressione

Machine Learning per il business

Esercizio pratico interattivo