Maskininlärning används inom många olika branscher och områden. Om det tillämpas på rätt sätt kan det i grunden förbättra verksamheten. Det här kapitlet beskriver användningsfall för maskininlärning, olika yrkesroller och hur de passar in i datapyramiden.

Maskininlärning och datapyramiden

Begreppsdefinitioner

Ordna datapyramidens nivåer

Matcha uppgifter i datapyramiden

Maskininlärningens principer

Typer av modellering

Identifiera övervakad och oövervakad inlärning

Jobbroller, verktyg och tekniker

Ansvarsområden för jobbroller

Matcha dataprojekt med jobbrolle

Typer av teamstruktur

Maskininlärning och dataanvändningsfall

Det här kapitlet ger en översikt över olika typer av maskininlärning. Vi tittar på skillnaderna mellan kausala modeller och prediktionsmodeller, utforskar övervakad och oövervakad inlärning samt går igenom undertyperna av övervakad inlärning: klassificering och regression.

Prediktion kontra inferensdilemmat

Skillnader mellan inferens och prediktion

Alternativ

Inferens (kausal)

Prediktion

Identifiera inferens- och prediktionsanvändningsfall

Inferens- (kausala) modeller

Experiment och kausala modeller

Identifiera icke-åtgärdbara variabler

Prediktionsmodeller (övervakad inlärning)

Principer för övervakad modellering

Maskininlärningsmodeller

Klassificering

Regression

Identifiera klassificerings- och regressionsmodeller

Prediktionsmodeller (oövervakad inlärning)

Användningsområden för oövervakad inlärning

Användningsfall för maskininlärning

Oövervakad inlärning

Klassificering, regression eller oövervakade modeller

Typer av maskininlärning

Det här kapitlet går igenom de viktigaste stegen för att kartlägga affärskrav, identifiera och bedöma möjligheter med maskininlärning, utvärdera modellprestanda och identifiera eventuella prestandarisker i processen.

Affärskrav

Identifiera situation, möjlighet och åtgärd

Identifiera lyckade experiment

Modellträning

Modellträningsprocessen

Träning, validering och test

Mätning av modellprestanda

Exempel på dålig prestanda

Identifiera prestandamått

Risker med maskininlärning

Åtgärda modeller som inte presterar

Modeller utan handlingsbara insikter

Identifiera användbara rekommendationer

Affärskrav och modelldesign

Det här kapitlet tar upp bästa och sämsta praxis för att hantera maskininlärningsprojekt. Vi identifierar de vanligaste misstagen inom maskininlärning, lär oss hur man hanterar kommunikationen mellan verksamheten och ML-teamen, och tar slutligen upp utmaningarna med att driftsätta maskininlärningsmodeller i produktion.

Vanliga misstag inom maskininlärning

Identifiera maskininlärningsmisstag

Datapyramidens behov

Matcha maskininlärningsmisstag med rätt kategori

Kommunikationshantering

Fokus i affärskommunikationen

Marknadstestning

Maskininlärning i produktion

Produktionssystem

Användningsfall för maskininlärning i produktionssystem

Lansering av ML i produktion

Sammanfattning

Att hantera maskininlärningsprojekt

Den här kursen introducerar de viktigaste elementen inom maskininlärning för dig som arbetar i en ledande roll. Vi fokuserar på de centrala insikterna och de grundläggande metoderna för att formulera affärsfrågor som modelleringsprojekt tillsammans med maskininlärningsteam. Du får förståelse för olika typer av modeller, vilka affärsfrågor de hjälper till att besvara och vilka möjligheter de kan synliggöra. Du lär dig också att identifiera situationer där maskininlärning inte bör användas – något som är lika viktigt. Dessutom får du förståelse för skillnaden mellan inferens och prediktion, hur man förutsäger sannolikhet respektive belopp, samt hur oövervakad inlärning kan bidra till en meningsfull strategi för kundsegmentering.

<h2> Lär dig grunderna i maskininlärning </h2>
<br>
Den här kursen introducerar affärsledare till maskininlärningens viktigaste delar. Vi kommer att fokusera på de viktigaste insikterna och grundläggande arbetssätten för hur man strukturerar affärsfrågor som modelleringsprojekt tillsammans med teamen för maskininlärning. 
<br><br>
<h2> Fördjupa dig i modelspecifikationerna </h2>
<br>
Du kommer att förstå de olika typerna av modeller, vilka typer av affärsfrågor de hjälper till att besvara, eller vilka möjligheter de kan avslöja, samt lära dig att identifiera situationer där maskininlärning bör NOT tillämpas, vilket är lika viktigt. Du kommer att förstå skillnaden mellan inferens och prediktion, att förutsäga sannolikhet och belopp, samt hur användning av oövervakad inlärning kan hjälpa till att bygga en meningsfull strategi för kundsegmentering.

Prediktionsmodeller (oövervakad inlärning)

Create Your Free Account