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.

Errori nel Machine Learning

Individua gli errori di machine learning

Piramide dei bisogni dei dati

Opzioni

Dati insufficienti

Test tardivi, nessun impatto

Selezione delle feature

Abbina gli errori di ML ai loro tipi

Gestione della comunicazione

Focus sulla comunicazione business

Processo di market testing con ML

Test di mercato

Machine learning in produzione

Sistemi di produzione

Casi d'uso del Machine Learning in produzione

Customer relationship management

Sistema di prevenzione frodi

Auto a guida autonoma

Casi d'uso ML nei sistemi di produzione

Processo di Data Science

ML in produzione: lancio

Riepilogo

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’email promozionale automatizzata viene inviata da un modello di Machine Learning in tempo reale che prevede il prodotto che potrebbe interessare al cliente.

Ai clienti di alto valore vengono offerti vari sconti promozionali quando il sistema prevede che siano a rischio di churn.

Una transazione viene inviata al team per una revisione manuale dopo che il sistema l’ha segnalata come "a rischio".

Il cliente riceve un’email con la richiesta di informazioni sul proprio bonifico. Il sistema ha identificato una transazione potenzialmente rischiosa.

Le letture dei sensori prevedono una potenziale collisione e azionano automaticamente i freni dell’auto per evitarla.

L’auto dovrebbe svoltare a destra al prossimo incrocio. La strada è chiusa; il sistema ricalcola automaticamente il percorso per offrire un’alternativa.

Casi d'uso ML nei sistemi di produzione

Machine Learning per il business

Esercizio pratico interattivo