Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
Varighet 21 timer
Kursplan
Introduksjon til maskinlæring i bedriftslivet
- Maskinlæring som en kjernekomponent i kunstig intelligens
- Typer av maskinlæring: overvåket, uovervåket, forsterkning, semi-overvåket
- Vanlige ML-algoritmer brukt i bedriftsapplikasjoner
- Utfordringer, risikoer og potensielle bruksområder for ML i AI
- Overfitting og bias-variansetradeoff
Maskinlæringsmetoder og arbeidsflyt
- Maskinlæringslivssyklus: fra problem til implementering
- Klassifisering, regresjon, klusteranalyse, anomalioppdagelse
- Når du skal bruke overvåket vs uovervåket læringsmetoder
- Forstå forsterkning av læringsmetoder i bedriftsautomatisering
- Overveielser ved ML-drevne beslutningsprosesser
Dataforbehandling og feature engineering
- Datapreparasjon: lasting, rensing, transformasjon
- Feature engineering: kodning, transformasjon, opprettelse
- Feature skalering: normalisering, standardisering
- Dimensjonsreduksjon: PCA, variabelvalg
- Eksplorerende dataanalyse og bedriftsdatavisualisering
Neuronale nettverk og dyp læringsmetoder
- Introduksjon til neuronale nettverk og deres bruk i bedriftslivet
- Struktur: inn-data, skjulte og ut-data-lag
- Backpropagation og aktiveringsfunksjoner
- Neuronale nettverk for klassifisering og regresjon
- Bruk av neuronale nettverk i prognoser og mønstergenkjenning
Salgsprognoser og prediktiv analyse
- Tidsrekke vs. regresjonsbasert prognoser
- Dele opp tidsrekker: trend, sesongvariasjon, sykluser
- Metoder: lineær regresjon, eksponensielt glatting, ARIMA
- Neuronale nettverk for ikke-lineære prognoser
- Case studie: Prognoser for månedlige salgsvolumer
Case-studier i bedriftsapplikasjoner
- Avansert feature engineering for forbedret prediksjon ved hjelp av lineær regresjon
- Segmentanalyse ved bruk av klusteranalyse og selvorganiserende kart
- Markedskurvanalyse og assosiasjonsregelmining for innsikt i detaljhandel
- Kundeutfallsklassifisering ved bruk av logistisk regresjon, beslutningstrær, XGBoost, SVM
Oppsummering og neste trinn
Krav
- Grunnleggende forståelse av maskinlæringsprinsipper og deres anvendelser
- Bekjentskap med å arbeide i regnearkmiljøer eller dataanalyseverktøy
- Noe erfaring med Python eller et annet programmeringsspråk er nyttig, men ikke obligatorisk
- Interesse for å bruke maskinlæring til virkelige forretnings- og prognosestillinger
Målgruppe
- Forretningsanalytikere
- AI-profesjonelle
- Beslutningstagere og ledere som baserer seg på data
Referanser (2)
Å få folk som aldri har brukt AI til å vektlegge repetisjon i prompt-design, og få folk som allerede bruker AI til å vurdere ulike metoder for å utnytte det.
Matthew Gay - Tarsus Pharmaceuticals
Kurs - Artificial Intelligence (AI) Overview
Maskinoversatt
Å jobbe ut fra grunnleggende prinsipper på en konsernet måte, og gå over til å anvende kasusstudier samme dag
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maskinoversatt
