Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Pengantar ke Machine Learning dalam Business
- Mesin pembelajaran sebagai komponen inti dari Kecerdasan Buatan
- Jenis mesin pembelajaran: terawasi, tidak terawasi, reformentasi, semi-terawasi
- Algoritma ML umum yang digunakan dalam aplikasi bisnis
- Tantangan, risiko, dan penggunaan potensial ML dalam AI
- Mengatasi overfitting dan trade-off bias-variance
Teknik dan Alur Kerja Machine Learning
- Lingkup hidup Machine Learning: dari masalah hingga implementasi
- Klasifikasi, regresi, klustering, deteksi anomali
- Kapan menggunakan pembelajaran terawasi vs tidak terawasi
- Mengerti reformentasi pembelajaran dalam otomatisasi bisnis
- Pertimbangan dalam pengambilan keputusan yang didorong ML
Praproses Data dan Feature Engineering
- Persiapan data: memuat, membersihkan, mentransformasikan
- Feature engineering: encoding, transformasi, pembuatan fitur
- Penyekalaan fitur: normalisasi, standarisasi
- Reduksi dimensi: PCA, pemilihan variabel
- Analisis data eksploratif dan visualisasi data bisnis
Neural Networks dan Deep Learning
- Pengantar ke jaringan saraf dan penggunaannya dalam bisnis
- Struktur: lapisan input, tersembunyi, dan output
- Backpropagation dan fungsi aktivasi
- Jaringan saraf untuk klasifikasi dan regresi
- Penggunaan jaringan saraf dalam peramalan dan pengenalan pola
Penjualan Forecasting dan Predictive Analytics
- Peramalan berbasis deret waktu vs regresi
- Dekomposisi deret waktu: tren, musiman, siklus
- Teknik-teknik: regresi linear, smoothing eksponensial, ARIMA
- Jaringan saraf untuk peramalan non-linear
- Studi kasus: volume penjualan bulanan Forecasting
Studi Kasus dalam Aplikasi Business
- Feature engineering lanjutan untuk prediksi yang lebih baik menggunakan regresi linear
- Analisis segmentasi dengan klustering dan peta otomatisasi diri
- Analisis keranjang belanja dan penambangan aturan asosiasi untuk wawasan ritel
- Klasifikasi default pelanggan menggunakan logistic regression, decision trees, XGBoost, SVM
Ringkasan dan Langkah Berikutnya
Requirements
- Pemahaman dasar tentang prinsip-prinsip machine learning dan aplikasinya
- Ketahuan bekerja di lingkungan spreadsheet atau alat analisis data
- Beberapa paparan terhadap Python atau bahasa pemrograman lainnya dapat membantu tetapi bukan kewajiban
- Minat dalam menerapkan machine learning pada masalah bisnis dan peramalan dunia nyata
Audience
- Business analis
- Pekerja profesional AI
- Pembuat keputusan dan manajer berbasis data
21 Hours
Testimonials (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Course - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
