Plan du cours
Introduction à l'apprentissage automatique en affaires
- L'apprentissage automatique comme composant central de l'intelligence artificielle
- Types d'apprentissage automatique : supervisé, non supervisé, par renforcement, semi-supervisé
- Algorithmes ML couramment utilisés dans les applications d'affaires
- Défis, risques et usages potentiels de l'IA avec l'apprentissage automatique
- Surapprentissage et le compromis biais-variance
Techniques et flux de travail de l'apprentissage automatique
- Le cycle de vie de l'apprentissage automatique : du problème au déploiement
- Classification, régression, regroupement, détection d'anomalies
- Quand utiliser l'apprentissage supervisé versus non supervisé
- Comprendre le renforcement dans l'automatisation des affaires
- Considérations dans la prise de décision guidée par l'apprentissage automatique
Prétraitement des données et ingénierie des caractéristiques
- Préparation des données : chargement, nettoyage, transformation
- Ingénierie des caractéristiques : encodage, transformation, création
- Échelle des caractéristiques : normalisation, standardisation
- Réduction de la dimensionnalité : ACP, sélection de variables
- Analyse exploratoire des données et visualisation des données d'affaires
Réseaux de neurones et apprentissage profond
- Introduction aux réseaux de neurones et leur utilisation en affaires
- Structure : entrées, couches cachées et sorties
- Rétropropagation et fonctions d'activation
- Réseaux de neurones pour la classification et la régression
- Utilisation des réseaux de neurones dans le pronostic et la reconnaissance de motifs
Prévision des ventes et analyse prédictive
- Série temporelle versus prévision basée sur la régression
- Décomposition des séries temporelles : tendance, saisonnalité, cycles
- Techniques : régression linéaire, lissage exponentiel, ARIMA
- Réseaux de neurones pour la prévision non linéaire
- Étude de cas : Prévision du volume des ventes mensuelles
Études de cas en applications d'affaires
- Ingénierie avancée des caractéristiques pour une prédiction améliorée utilisant la régression linéaire
- Analyse de segmentation à l'aide du regroupement et des cartes auto-organisatrices
- Analyse du panier d'achat et extraction de règles d'association pour les insights en vente au détail
- Classification des défauts clients à l'aide de la régression logistique, des arbres de décision, XGBoost, SVM
Résumé et prochains pas
Pré requis
- Compréhension de base des principes et applications de l'apprentissage automatique
- Familiarité avec les environnements de feuilles de calcul ou les outils d'analyse de données
- Une certaine expérience en Python ou un autre langage de programmation est utile mais non obligatoire
- Intérêt pour l'application de l'apprentissage automatique aux problèmes commerciaux et de prévision réels
Public cible
- Analystes d'affaires
- Professionnels en intelligence artificielle
- Preneurs de décision et gestionnaires basés sur les données
Nos clients témoignent (2)
Offrir à ceux qui n'ont jamais utilisé l'IA une initiation aux bases de la formulation de requêtes, et inviter les utilisateurs expérimentés à explorer des méthodes alternatives pour l'employer.
Matthew Gay - Tarsus Pharmaceuticals
Formation - Artificial Intelligence (AI) Overview
Traduction automatique
Travailler à partir des principes fondamentaux de manière concentrée, puis passer à l'application d'études de cas le même jour
Maggie Webb - Department of Jobs, Regions, and Precincts
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduction automatique