آموزش علم داده برای رهبران تجاری: اصول ML

سرفصل ها و درس ها

خوش آمدی Welcome

• درباره این دوره: مبانی یادگیری ماشین About this Course: Machine Learning Fundamentals

• آنچه در این دوره پوشش داده می شود، پشتیبانی آموزشی و تخفیف ها What is Covered in this Course, Learning Support, & Discounts

• مختصر بیوگرافی مربی Brief Instructor Bio

بخش 1: مدل‌ها، یادگیری ماشینی، یادگیری عمیق و تعریف‌شده هوش مصنوعی Part 1: Models, Machine Learning, Deep Learning, & AI Defined

• مقدمه ای بر قسمت 1 و تعریف یک مدل Introduction to Part 1 & The definition of a Model

• مثال: یک مدل رگرسیون خطی پایه Example: A Basic Linear Regression Model

• چرخه عمر مدل سطح بالا و اصطلاحات مربوط به مدل Initial High-Level Model Lifecycle & Model-Related Terminology

• چگونه مثال رگرسیون خطی ما با تعریف یک مدل مطابقت دارد How our linear regression example fits the definition of a model

• دو نوع مدل اساسی: رگرسیون و طبقه بندی The Two Essential Model Types: Regression & Classification

• مثال: یک مدل طبقه بندی درخت تصمیم پایه Example: A Basic Decision Tree Classification Model

• جمع بندی دانش ما از مدل ها Wrapping Up Our Knowledge of Models

• اختیاری: پارامترهای مدل و فراپارامترهای مدل تعریف شده است Optional: Model Parameters & Model Hyperparameters Defined

• مدل‌ها: جزء کلیدی یک فرآیند یادگیری Models: A Key Component of a Learning Process

• به روز رسانی مدل ها Updating Models

• یادگیری ماشینی تعریف شده است Machine Learning Defined

• اصطلاحات مرتبط با ML ML-Related Terminology

• اختیاری: روش‌های آماری مدرسه قدیمی در مقابل روش‌های یادگیری ماشین جدید مدرسه Optional: Old School Statistical Methods vs. New School Machine Learning Methods

• اختیاری: یادگیری تحت نظارت در مقابل یادگیری بدون نظارت Optional: Supervised vs. Unsupervised Learning

• یادگیری عمیق تعریف شده است Deep Learning Defined

• AutoML تعریف شده است AutoML Defined

• هوش مصنوعی (AI) تعریف شده است Artificial Intelligence (AI) Defined

• مشکلات رایج یادگیری ماشین Common Machine Learning Pitfalls

• اختیاری (طنز): آموزش مدل در مقابل ساختمان مدل Optional (Humor): Model Training vs. Model Building

• نتیجه گیری قسمت 1 Conclusion of Part 1

بخش 2: شناسایی موارد استفاده Part 2: Identifying Use Cases

• مقدمه قسمت 2 Introduction to Part 2

• باورهای غلط رایج ML Common ML Misconceptions

• مسیرهای شناسایی موارد استفاده Paths to Identifying Use Cases

• مرور/گردآوری موارد استفاده از ML و AI Browsing / Gathering ML & AI Use Cases

• بازرسی فرآیند Process Inspection

• بازرسی فرآیند: اهرم‌هایی برای بهبود فرآیندها Process Inspection: Leverage Process Improvement Disciplines

• بازرسی فرآیند: KPI های خود را باز کنید Process Inspection: Unpack your KPIs

• تم های ML ML Themes

• موضوع ML 1: جایگزینی سیستم های مبتنی بر قانون ناقص ML Theme 1: Replace Imperfect Rule-Based Systems

• موضوع ML 2: شکستن یک میانگین ML Theme 2: Breaking an Average

• موضوع ML 3: تخصیص منابع محدود ML Theme 3: Allocate Limited Resources

• موضوع ML 4: تجزیه و تحلیل تصمیمات انسانی ML Theme 4: Analyze Human Decisions

• موضوع ML 5: تجزیه و تحلیل فعالیت ها در مقیاس ML Theme 5: Analyze Activities at Scale

• موضوع ML 6: پیش بینی رویدادها ML Theme 6: Predict Events

• موضوع ML 7: افراد را پیش بینی کنید ML Theme 7: Predict People

• هوش مصنوعی و چت ربات ها AI & Chatbots

• نتیجه گیری قسمت 2 Conclusion of Part 2

بخش 3: موارد استفاده واجد شرایط Part 3: Qualifying Use Cases

• مقدمه قسمت 3 Introduction to Part 3

• رد صلاحیت بالقوه: نگرانی های اخلاقی Potential Disqualifier: Ethical Concerns

• رد صلاحیت بالقوه: تناسب اندام برای استفاده Potential Disqualifier: Fitness for Use

• تحلیل امکان سنجی Feasibility Analysis

• تحلیل امکان سنجی: یک فرضیه تجاری ایجاد کنید Feasibility Analysis: Establish a Business Hypothesis

• تحلیل امکان سنجی: فرآیند کسب و کار را ترسیم کنید Feasibility Analysis: Sketch Out the Business Process

• تحلیل امکان سنجی: ROI سطح بالا را برآورد کنید Feasibility Analysis: Estimate High-Level ROI

• اختیاری: قفل کردن هدف و جمعیت Optional: Lock Down the Target & Population

• تجزیه و تحلیل امکان سنجی: ارزیابی داده های شما - هدف مدل Feasibility Analysis: Assessing Your Data - The Model Target

• تحلیل امکان سنجی: ارزیابی داده های شما - آیا داده های کافی داریم؟ Feasibility Analysis: Assessing Your Data - Do we have enough data?

• تجزیه و تحلیل امکان سنجی: ارزیابی داده های شما - در دسترس بودن و آمادگی Feasibility Analysis: Assessing Your Data - Availability & Readiness

• تجزیه و تحلیل امکان سنجی: ارزیابی داده های شما - کیفیت داده ها Feasibility Analysis: Assessing Your Data - Data Quality

• تحلیل امکان سنجی: الزامات مدل را تعیین کنید Feasibility Analysis: Determine Model Requirements

• تجزیه و تحلیل امکان سنجی: جمع بندی Feasibility Analysis: Wrap-Up

• اندازه گیری عملکرد Performance Measurement

• اندازه‌گیری عملکرد: مقدمه‌ای بر تحلیل رگرسیون‌ها Performance Measurement: Introduction to Analyzing Regressors

• اندازه‌گیری عملکرد: میانگین خطای مطلق (MAE) Performance Measurement: Mean Absolute Error (MAE)

• اندازه‌گیری عملکرد: مثال شبیه‌سازی رگرسیون Performance Measurement: Regression Simulation Example

• اندازه‌گیری عملکرد: شبیه‌سازی فرآیندهای مکرر Performance Measurement: Simulation of Repeated Processes

• اندازه‌گیری عملکرد: خط پایه میانه تاریخی Performance Measurement: Historical Median Baseline

• اندازه‌گیری عملکرد: خلاصه‌ای برای اندازه‌گیری رگرسیون‌ها Performance Measurement: Summary for Measuring Regressors

• اندازه گیری عملکرد: تجزیه و تحلیل طبقه بندی کننده ها Performance Measurement: Analyzing Classifiers

• اندازه‌گیری عملکرد: محدودیت‌های دقت و عدم تعادل کلاس Performance Measurement: Limitations of Accuracy & Class Imbalance

• اندازه‌گیری عملکرد: نتایج و ارزش طبقه‌بندی‌کننده Performance Measurement: Classifier Outcomes & Value

• اندازه‌گیری عملکرد: خط پایه برای مدل‌های طبقه‌بندی Performance Measurement: The Baseline for Classification Models

• اندازه‌گیری عملکرد: با استفاده از احتمال عضویت در کلاس Performance Measurement: Using Probability of Class Membership

• اندازه‌گیری عملکرد: خلاصه‌ای برای اندازه‌گیری طبقه‌بندی‌کننده‌ها Performance Measurement: Summary for Measuring Classifiers

• اختیاری: ارزیابی کالیبراسیون طبقه بندی کننده Optional: Assessing Classifier Calibration

• طراحی تجربی Experimental Design

• نتیجه بخش 3 Conclusion of Part 3

بخش 4: ایجاد صلاحیت ML Part 4: Building an ML Competency

• مقدمه ای بر قسمت 4 و زمینه سازمانی Introduction to Part 4 & Organizational Context

• خرید نرم افزار و خدمات Buying Software & Services

• خرید نرم افزار و خدمات: تنظیمات استقرار Buying Software & Services: Deployment Configurations

• خرید نرم افزار و خدمات: سوالات کلیدی Buying Software & Services: Key Questions

• مشارکت های مشاوره ای Consulting Engagements

• زیرساخت - MLOps Infrastructure - MLOps

• زیرساخت: نگرانی های داده Infrastructure: Data Concerns

• زیرساخت: نگرانی های محاسبه Infrastructure: Compute Concerns

• زیرساخت: رایانش ابری Infrastructure: Cloud Computing

• زیرساخت: AutoML Infrastructure: AutoML

• نتیجه گیری قسمت 4 Conclusion of Part 4

بخش 5: برداشت های استراتژیک Part 5: Strategic Take-aways

• مقدمه ای بر قسمت 5 و بهینه سازی کسب و کار شما Introduction to Part 5 & Optimizing your Business

• بهینه سازی کسب و کار شما: فرصت ها و احتمالات Optimizing your Business: Opportunities & Probabilities

• بهینه سازی کسب و کار شما: یادگیری انسان و ماشین Optimizing your Business: Human & Machine Learning

• AutoML AutoML

• استراتژی اطلاعات Information Strategy

• نتیجه Conclusion