After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Lär dig grunderna i maskininlärning
Den här kursen introducerar affärsledare till maskininlärningens viktigaste delar. Vi kommer att fokusera på de viktigaste insikterna och grundläggande arbetssätten för hur man strukturerar affärsfrågor som modelleringsprojekt tillsammans med teamen för maskininlärning.
Fördjupa dig i modelspecifikationerna
Du kommer att förstå de olika typerna av modeller, vilka typer av affärsfrågor de hjälper till att besvara, eller vilka möjligheter de kan avslöja, samt lära dig att identifiera situationer där maskininlärning bör NOT tillämpas, vilket är lika viktigt. Du kommer att förstå skillnaden mellan inferens och prediktion, att förutsäga sannolikhet och belopp, samt hur användning av oövervakad inlärning kan hjälpa till att bygga en meningsfull strategi för kundsegmentering.
Förkunskapskrav
Det finns inga förkunskapskrav för den här kursen
Kursplan
Kursöversikt
1
Maskininlärning och dataanvändningsfall
Maskininlärning används inom många olika branscher och områden. Om det tillämpas på rätt sätt kan det i grunden förbättra verksamheten. Det här kapitlet beskriver användningsfall för maskininlärning, olika yrkesroller och hur de passar in i datapyramiden.
- Maskininlärning och datapyramiden50 XP
- Begreppsdefinitioner50 XP
- Ordna datapyramidens nivåer100 XP
- Matcha uppgifter i datapyramiden100 XP
- Maskininlärningens principer50 XP
- Typer av modellering50 XP
- Identifiera övervakad och oövervakad inlärning100 XP
- Jobbroller, verktyg och tekniker50 XP
- Ansvarsområden för jobbroller50 XP
- Matcha dataprojekt med jobbrolle100 XP
- Typer av teamstruktur100 XP
2
Typer av maskininlärning
Det här kapitlet ger en översikt över olika typer av maskininlärning. Vi tittar på skillnaderna mellan kausala modeller och prediktionsmodeller, utforskar övervakad och oövervakad inlärning samt går igenom undertyperna av övervakad inlärning: klassificering och regression.
3
Affärskrav och modelldesign
Det här kapitlet går igenom de viktigaste stegen för att kartlägga affärskrav, identifiera och bedöma möjligheter med maskininlärning, utvärdera modellprestanda och identifiera eventuella prestandarisker i processen.
4
Att hantera maskininlärningsprojekt
Det här kapitlet tar upp bästa och sämsta praxis för att hantera maskininlärningsprojekt. Vi identifierar de vanligaste misstagen inom maskininlärning, lär oss hur man hanterar kommunikationen mellan verksamheten och ML-teamen, och tar slutligen upp utmaningarna med att driftsätta maskininlärningsmodeller i produktion.
R
Maskininlärning för verksamheter
Kurs
slutförd
