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)
ekosistem ML tidak hanya mencakup MLFlow tetapi juga Optuna, hyperops, Docker, dan Docker-Compose
Guillaume GAUTIER - OLEA MEDICAL
Kursus - MLflow
Diterjemahkan Mesin
Saya menikmati partisipasi dalam pelatihan Kubeflow yang diadakan secara jarak jauh. Pelatihan ini memungkinkan saya untuk mengonsolidasikan pengetahuan saya tentang layanan AWS, K8s, dan semua alat devOps di sekitar Kubeflow yang merupakan dasar-dasar yang diperlukan untuk menangani topik tersebut dengan tepat. Saya ingin berterima kasih kepada Malawski Marcin atas kesabaran dan profesionalismenya dalam pelatihan dan saran tentang praktik terbaik. Malawski mendekati topik dari berbagai sudut, menggunakan alat penyebaran yang berbeda seperti Ansible, EKS kubectl, dan Terraform. Sekarang saya yakin bahwa saya sedang masuk ke bidang aplikasi yang tepat.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kursus - Kubeflow
Diterjemahkan Mesin
