Machine Learning é usado em muitos setores e áreas. Quando aplicado corretamente, pode transformar o negócio. Este capítulo apresenta casos de uso de machine learning, papéis de trabalho e como eles se encaixam na pirâmide de necessidades de dados.

Machine Learning e a pirâmide de dados

Esclarecimento de terminologia

Ordene as necessidades da pirâmide de dados

Combine tarefas na pirâmide de dados

Princípios de Machine Learning

Tipos de modelagem

Encontre casos supervisionados e não supervisionados

Funções, ferramentas e tecnologias

Responsabilidades por função

Relacione projetos de dados com funções de trabalho

Tipos de estrutura de equipe

Casos de uso de machine learning e dados

Este capítulo apresenta uma visão geral dos diferentes tipos de machine learning. Vamos analisar as diferenças entre modelos causais e de predição, explorar aprendizado supervisionado e não supervisionado e, por fim, entender os subtipos do aprendizado supervisionado: classificação e regressão.

Dilema: predição vs. inferência

Diferenças entre inferência e previsão

Identificar casos de uso de inferência vs. predição

Modelos de inferência (causais)

Experimentos e modelos causais

Identificar variáveis não acionáveis

Modelos de previsão (aprendizado supervisionado)

Princípios de modelagem supervisionada

Identificar modelos de classificação e regressão

Modelos de previsão (aprendizado não supervisionado)

Casos de uso de modelagem não supervisionada

Classificação, regressão ou modelos não supervisionados

Tipos de machine learning

Este capítulo revisa as etapas essenciais para detalhar requisitos de negócio, identificar e dimensionar oportunidades de machine learning, avaliar o desempenho do modelo e identificar possíveis riscos de performance ao longo do processo.

Requisitos de negócio

Identificar situação, oportunidade e ação

Identificar experimentos bem-sucedidos

Treinamento de modelos

Processo de treinamento do modelo

Treinamento, validação e teste

Medição de desempenho do modelo

Exemplos de baixo desempenho

Identificar métricas de desempenho

Riscos em Machine Learning

Corrigindo modelos com baixo desempenho

Modelos não acionáveis

Identificar recomendações acionáveis

Requisitos de negócio e design de modelos

Este capítulo aborda as melhores e piores práticas de gestão de projetos de machine learning. Vamos identificar os erros mais comuns, aprender a gerenciar a comunicação entre as áreas de negócio e as equipes de ML e, por fim, tratar dos desafios ao colocar modelos de machine learning em produção.

Erros em Machine Learning

Identifique erros em Machine Learning

Pirâmide de necessidades de dados

Opções

Dados insuficientes

Teste tardio, sem impacto

Seleção de features

Associe erros de ML aos seus tipos

Gestão da comunicação

Foco na comunicação com o negócio

Processo de testes de mercado com ML

Testes de mercado

Machine Learning em produção

Sistemas de produção

Casos de uso de Machine Learning em produção

Customer Relationship Management

Sistema de prevenção a fraudes

Carro autônomo

Casos de uso de ML em sistemas de produção

Processo de Data Science

Lançamento de ML em produção

Encerramento

Gerenciando projetos de machine learning

Este curso apresenta os elementos fundamentais de Machine Learning para líderes de negócios. Vamos focar nas principais ideias e práticas essenciais para transformar questões de negócio em projetos de modelagem com as equipes de Machine Learning. Você vai entender os diferentes tipos de modelos, que tipo de perguntas de negócio eles ajudam a responder e que oportunidades podem revelar, além de aprender a identificar situações em que Machine Learning NÃO deve ser aplicado, o que é igualmente importante. Você também vai entender a diferença entre inferência e predição, prever probabilidades e valores, e como o uso de aprendizado não supervisionado pode apoiar uma estratégia de segmentação de clientes realmente relevante.

<h2> Aprenda os conceitos básicos de aprendizado de máquina </h2>
<br>
Este curso apresentará os principais elementos do aprendizado de máquina para os líderes de negócios. Vamos nos concentrar nos principais insights e nas práticas básicas de como estruturar questões comerciais como projetos de modelagem com as equipes de aprendizado de máquina. 
<br><br>
<h2> Mergulhe nas especificidades do modelo </h2>
<br>
Você entenderá os diferentes tipos de modelos, que tipo de perguntas comerciais eles ajudam a responder ou que tipo de oportunidades eles podem descobrir, além de aprender a identificar situações em que o aprendizado de máquina NÃO deve ser aplicado, o que é igualmente importante. Você entenderá a diferença entre inferência e previsão, prevendo probabilidade e valores, e como o uso do aprendizado não supervisionado pode ajudar a criar uma estratégia significativa de segmentação de clientes.

Entenda os fundamentos do Machine Learning e sua aplicação no mundo dos negócios.

Machine Learning for Business

Entenda os fundamentos do aprendizado de máquina e como ele é aplicado no mundo dos negócios.

Gestão da comunicação

Create Your Free Account