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.

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 hataları

Machine learning hatalarını belirle

Veri ihtiyaçları piramidi

Seçenekler

Yeterli veri yok

Geç test, etki yok

Özellik seçimi

ML hatalarını türleriyle eşleştir

İletişim yönetimi

İş iletişimine odaklan

ML pazar testi süreci

Pazar testi

Prodüksiyonda Machine Learning

Üretim sistemleri

Üretimde Machine Learning kullanım durumları

Müşteri ilişkileri yönetimi

Dolandırıcılık önleme sistemi

Otonom araç

Üretim sistemlerinde ML kullanım durumları

Veri Bilimi Süreci

Üretimde ML lansmanı

Kapanış

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

Gerçek zamanlı bir Machine Learning modeli, müşterinin ilgilenebileceği ürünü tahmin ettiğinde otomatik bir ürün promosyon e-postası tetiklenir.

Sistem, churn riski taşıdıklarını tahmin ettiğinde yüksek değerli müşterilere bir dizi promosyon indirimi tanımlanır.

Sistem bir işlemi 'riskli' olarak işaretledikten sonra bu işlem manuel inceleme için ekibe iletilir.

Müşteriye para transferiyle ilgili bilgi talep eden bir e-posta gönderilir. Sistem potansiyel olarak riskli bir işlem tespit etmiştir.

Sensör okumaları olası bir çarpışmayı tahmin eder ve bunu önlemek için aracın frenlerini otomatik olarak uygular.

Araç bir sonraki kavşakta sağa dönmelidir. Yol kapalı; sistem otomatik olarak rotayı yeniden hesaplayıp alternatif bir güzergâh sunar.

Üretim sistemlerinde ML kullanım durumları

İş Dünyası için Machine Learning

Uygulamalı interaktif egzersiz