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.

İş gereksinimleri

İfadeler

İş durumu

İş fırsatı

İş eylemi

Durumu, fırsatı ve eylemi belirle

Başarılı deneyleri belirle

Model eğitimi

Model eğitimi süreci

ML Görevleri

Eğitim

Test

Eğitim, doğrulama ve test

Model performans ölçümü

Zayıf performans örnekleri

Seçenekler

Precision

Recall

Error

Performans metriklerini belirle

Machine learning riskleri

İyi performans göstermeyen modelleri düzeltme

Eyleme geçirilemeyen modeller

Eyleme dönüştürülebilir önerileri belirle

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

Bu kurs, iş liderlerine Machine Learning’in temel unsurlarını tanıtacak. Makine öğrenmesi ekipleriyle birlikte, iş sorularını modelleme projeleri olarak nasıl yapılandıracağına dair temel içgörü ve iyi uygulamalara odaklanacağız. Farklı model türlerini, hangi tür iş sorularına yanıt verdiklerini ya da hangi fırsatları ortaya çıkarabileceklerini anlayacak, ayrıca Machine Learning’in uygulanmaması gereken durumları da — ki bu da en az diğerleri kadar önemlidir — ayırt etmeyi öğreneceksin. Çıkarım ve tahmin arasındaki farkı, olasılık ve tutar tahminini, ve gözetimsiz öğrenmenin anlamlı bir müşteri segmentasyonu stratejisi oluşturmaya nasıl yardımcı olabileceğini kavrayacaksın.

<h2> Makine Öğreniminin Temellerini Öğrenin </h2>
<br>
Bu kurs, iş liderlerine makine öğreniminin temel unsurlarını tanıtacaktır. Makine öğrenimi ekipleriyle birlikte iş sorularını modelleme projeleri olarak nasıl yapılandıracağımıza dair temel bilgiler ve temel uygulamalara odaklanacağız. 
<br><br>
<h2> Model Özelliklerine Dalın </h2>
<br>
Farklı model türlerini, bu modellerin hangi tür iş sorularının yanıtlanmasına yardımcı olduğunu veya hangi tür fırsatları ortaya çıkarabileceğini anlayacak, ayrıca makine öğreniminin uygulanmaması gereken durumları belirlemeyi öğreneceksiniz ki bu da aynı derecede önemlidir. Çıkarım ve tahmin arasındaki farkı, olasılık ve miktarları tahmin etmeyi ve denetimsiz öğrenmenin anlamlı bir müşteri segmentasyon stratejisi oluşturmaya nasıl yardımcı olabileceğini anlayacaksınız.

Makine Öğreniminin temellerini ve iş dünyasında nasıl uygulandığını anlayın.

İş Dünyası için Machine Learning

Makine öğreniminin temellerini ve iş dünyasında nasıl uygulandığını anlayın.

Veri Bilimci Python'da

Veri Bilimci in R

Şirket, promosyon e-postalarında çok daha düşük tıklama oranı görmeye başladı.

Müşteri hizmetleri taleplerinin sayısı %300’ün üzerinde arttı; bu da yanıt süresini uzatarak daha fazla eskalasyona yol açtı.

E-posta etkileşimini ve tıklama oranını %2,5’ten önceki %5 seviyelerine yükseltmek.

Müşteri taleplerine yanıt süresini önceki seviyelere ve mümkünse daha da aşağıya çekmek.

Machine Learning ile tahmin edilen ürün ilgisine göre müşterileri ilgili e-posta içeriğiyle hedefleyerek bir dizi AB testi yürütmek.

Adım adım müşteri sohbeti ve çağrı süreç otomasyonu ile müşteri taleplerini yönlendirecek bir Machine Learning çözümü oluşturmak.

Durumu, fırsatı ve eylemi belirle

İş Dünyası için Machine Learning

Uygulamalı interaktif egzersiz