Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Pendahuluan Mesin Pembelajaran dalam Bisnis
- Mesin pembelajaran sebagai komponen inti dari Kecerdasan Buatan
- Jenis-jenis mesin pembelajaran: terawasi, tidak terawasi, penegasan, semi-terawasi
- Algoritma ML umum yang digunakan dalam aplikasi bisnis
- Tantangan, risiko, dan penggunaan potensial ML dalam AI
- Overfitting dan trade-off bias-variance
Teknik dan Alur Kerja Mesin Pembelajaran
- Siklus hidup mesin pembelajaran: masalah hingga penempatan
- Klasifikasi, regresi, clustering, deteksi anomal
- Kapan menggunakan pembelajaran terawasi vs tidak terawasi
- Memahami pembelajaran penegasan dalam otomatisasi bisnis
- Konsiderasi dalam pemutus keputusan berbasis ML
Pra-pemrosesan Data dan Pemrosesan Fitur
- Persiapan data: memuat, membersihkan, mengubah
- Pemrosesan fitur: pengkodean, transformasi, pembuatan
- Penyesuaian fitur: normalisasi, standarisasi
- Pemanggilan dimensi: PCA, pemilihan variabel
- Analisis data eksploratif dan visualisasi data bisnis
Jaringan Sarang dan Deep Learning
- Pendahuluan jaringan sarang dan penggunaan dalam bisnis
- Struktur: lapisan input, tersembunyi, dan output
- Backpropagation dan fungsi aktivasi
- Jaringan sarang untuk klasifikasi dan regresi
- Penggunaan jaringan sarang dalam peramalan dan pengenalan pola
Peramalan Penjualan dan Analisis Prediktif
- Peramalan berdasarkan seri waktu vs regresi
- Mendekomposisi seri waktu: tren, seasonality, siklus
- Teknik: regresi linear, penghalusan eksponensial, ARIMA
- Jaringan sarang untuk peramalan nonlinear
- Kasus studi: Meramalkan volume penjualan bulanan
Kasus Studi dalam Aplikasi Bisnis
- Pemrosesan fitur tingkat lanjut untuk prediksi yang lebih baik menggunakan regresi linear
- Analisis segmen menggunakan clustering dan self-organizing maps
- Analisis keranjang belanja dan penambangan aturan asosiasi untuk wawasan ritel
- Klasifikasi kredit pelanggan menggunakan regresi logistik, pohon keputusan, XGBoost, SVM
Ringkasan dan Langkah Selanjutnya
Persyaratan
- Pemahaman dasar tentang prinsip-prinsip machine learning dan aplikasinya
- Kenal dengan bekerja dalam lingkungan spreadsheet atau alat analisis data
- Beberapa pengalaman dengan Python atau bahasa pemrograman lainnya bermanfaat tapi tidak wajib
- Minat dalam menerapkan machine learning pada masalah bisnis dan peramalan dunia nyata
Audience
- Analis bisnis
- Profesional AI
- Pimpinan dan pengambil keputusan berbasis data
21 Jam
Testimoni (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kursus - 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.
