機器學習廣泛應用於各行各業。若運用得當，能從根本提升業務成果。本章將說明機器學習的應用情境、相關職務角色，以及它們如何對應到資料需求金字塔。

機器學習與資料金字塔

術語釐清

資料金字塔需求的順序

將任務配對到資料金字塔中

機器學習原則

模型類型

找出監督式與非監督式案例

職務角色、工具與技術

職務角色與責任

將資料專案配對到合適的職務

團隊結構類型

機器學習與資料應用情境

本章概覽不同的機器學習類型。我們將比較因果與預測模型，探討監督式與非監督式學習，最後理解監督式學習的子類型：分類與迴歸。

預測與推論的兩難

推論與預測的差異

Options

Inference (Causal)

Prediction

判別推論與預測的使用情境

推論（因果）模型

實驗與因果模型

辨識不可採取行動的變數

預測模型（監督式學習）

監督式建模的原則

機器學習模型

分類

回歸

辨識分類與回歸模型

預測模型（非監督式學習）

非監督式建模的使用情境

Machine Learning 應用情境

分類（Classification）

迴歸（Regression）

非監督式學習（Unsupervised learning）

分類、迴歸，或是非監督式模型

機器學習的類型

本章將檢視界定商業需求的關鍵步驟、辨識並評估機器學習機會的規模、評估模型效能，以及在此過程中辨識任何效能風險。

商業需求

辨識情境、機會與行動

辨識成功的實驗

模型訓練

模型訓練流程

Training、Validation 與 Test

模型效能量測

低效能案例

辨識效能指標

機器學習風險

修正表現不佳的模型

不可採取行動的模型

找出可付諸行動的建議

商業需求與模型設計

本章將探討管理機器學習專案的最佳與最差做法。我們會指出最常見的機器學習錯誤，學習如何管理商務與 ML 團隊之間的溝通，並最後說明將機器學習模型部署到正式環境時會面臨的挑戰。

機器學習常見錯誤

辨識機器學習中的錯誤

資料需求金字塔

依類型配對常見 ML 錯誤

溝通管理

商業溝通重點

市場測試

將機器學習導入產線

正式環境系統

生產系統中的 ML 使用情境

生產環境中的 ML 上線

總結

管理機器學習專案

本課程將為企業領導者介紹機器學習的關鍵要素。重點放在核心觀念與基本做法，說明如何把商業問題與機器學習團隊合作，轉化為可執行的建模專案。你會了解不同模型的類型、它們能回答哪些商業問題與發掘哪些機會，也會學會辨識哪些情境「不適合」使用機器學習，這同樣重要。你將理解推論與預測的差異、機率與數值金額的預測方式，以及如何運用非監督式學習來建立有意義的顧客分群策略。

<h2> 學習機器學習的基礎知識 </h2>
<br>
本課程將為企業領導者介紹機器學習的關鍵要素。 我們將重點介紹如何將商業問題結構化，並作為機器學習團隊的建模專案，說明其中的關鍵見解與基本實踐方法。 
<br><br>
<h2> 深入探索模型細節 </h2>
<br>
您將了解各種模型的類型、它們能協助解答哪些商業問題，或能發掘哪些機會，同時也會學習辨識哪些情境適合應用機器學習，這同樣非常重要。 您將了解推論與預測的差異、如何預測機率與數值，以及運用無監督式學習來協助建立有意義的客戶分群策略。

預測模型（監督式學習）

Create Your Free Account