Il Machine Learning è utilizzato in molti settori e ambiti diversi. Se applicato correttamente, può migliorare radicalmente il business. Questo capitolo presenta i casi d’uso del Machine Learning, i ruoli professionali e come si inseriscono nella piramide dei bisogni di dati.

Machine learning e piramide dei dati

Chiarimento della terminologia

Ordina i bisogni della piramide dei dati

Abbina i compiti nella piramide dei dati

Principi di Machine Learning

Tipi di modellazione

Individua i casi di supervised e unsupervised

Ruoli, strumenti e tecnologie

Responsabilità dei ruoli lavorativi

Abbina i progetti dati ai ruoli

Tipi di struttura del team

Machine Learning e casi d’uso dei dati

Questo capitolo offre una panoramica dei diversi tipi di Machine Learning. Vedremo le differenze tra modelli causali e di predizione, esploreremo l’apprendimento supervisionato e non supervisionato e infine capiremo le sottocategorie dell’apprendimento supervisionato: classificazione e regressione.

Il dilemma tra previsione e inferenza

Differenze tra inference e 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

Riconosci modelli di classificazione e regressione

Modelli di previsione (apprendimento non supervisionato)

Casi d’uso del modeling non supervisionato

Classificazione, regressione o modelli non supervisionati

Tipi di Machine Learning

Questo capitolo esamina i passaggi chiave per definire i requisiti di business, identificare e quantificare le opportunità di Machine Learning, valutare le prestazioni del modello e individuare eventuali rischi di performance lungo il processo.

Requisiti di business

Identifica situazione, opportunità e azione

Identifica gli esperimenti riusciti

Addestramento del modello

Processo di training del modello

Training, validation e test

Misurazione delle prestazioni del modello

Esempi di scarse prestazioni

Identifica le metriche di performance

Rischi del Machine Learning

Correggere i modelli che non performano

Modelli non azionabili

Individua raccomandazioni attuabili

Requisiti di business e design del modello

In questo capitolo vedremo le migliori e peggiori pratiche nella gestione di progetti di Machine Learning. Identificheremo gli errori più comuni, impareremo a gestire la comunicazione tra business e team ML e infine affronteremo le sfide del deploy dei modelli di Machine Learning in produzione.

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

Gestire progetti di Machine Learning

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.

Riepilogo

Create Your Free Account