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 ve veri piramidi

Terimlerin netleştirilmesi

Veri ihtiyaçları piramidi

Veri piramidi ihtiyaçlarını sırala

Seçenekler

Üretimde Machine Learning

ML Prototipleme ve Test Etme

Analiz

Veri piramidindeki görevleri eşleştir

Machine learning ilkeleri

Model türleri

Machine Learning kullanım alanları

Supervised Machine Learning

Unsupervised Machine Learning

Supervised ve unsupervised örnekleri bul

İş rolleri, araçlar ve teknolojiler

İş rolü sorumlulukları

Analitik yol haritası öğeleri

Veri Analisti

Veri Bilimci

Machine Learning Mühendisi

Veri projelerini iş rolleriyle eşleştir

Veri organizasyon yapıları

Merkezî

Merkezsiz

Hibrit

Ekip yapı türleri

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.

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

Farklı iş birimlerinin yıldan yıla performansını karşılaştıran ad-hoc bir analiz hazırla.

Bir dizüstü bilgisayarda bir Machine Learning modeli prototiple ve sonuçları iş birimine sun.

Bir deney tasarla ve bankadaki sahtecilik önleme ekibiyle bir A/B testi yürüt.

Prototip Machine Learning modelini üretim kodu olarak yeniden yaz ve şirketin müşteriye dönük web sitesine dağıt.

Sıfırdan bir müşteri risk puanlama algoritması tasarla ve bunu bankacılık uygulamasında gerçek zamanlı olarak dağıt.

Veri projelerini iş rolleriyle eşleştir

İş Dünyası için Machine Learning

Uygulamalı interaktif egzersiz