Product Owner Machine Learning Training (3 Tage)

Führen eines Machine Learning-Projekts: Die Rolle des Product Owners (3 Tage)

Identifizieren Sie Geschäftsprobleme, die von ML (Machine Learning) profitieren können.

Priorisieren Sie Use Cases.

Identifizieren Sie das richtige Modell, das je nach Problem verwendet werden soll.

Strukturieren Sie einen Produkt-/Projektansatz: von der Datenaufbereitung bis zur Produktion.

Analysieren Sie die Leistung eines Geschäftsmodells.

Um die mit dieser Art von Projekt verbundenen Probleme und Risiken zu verstehen.

2 330 €

- Anwesend in unseren Räumlichkeiten oder bei Ihnen
– Distanciel Online Finden Sie uns auf: Straßburg, Lille, Lyon, Reims, Genf, Brüssel, Luxemburg, Frankfurt, Karlsruhe, Berlin, Metz
INTRA (Rufen Sie uns an, um ein Angebot zu erhalten)

Künstliche Intelligenz (KI), maschinelles Lernen (ML) (3,0 Stunden)
Die Einsätze von AI.
- Panorama von AI (VS ML-Regeln, Hybridsysteme...).
Machine Learning: Konzept und Anwendung von Boxen.
Regression, Klassifikation und Clustering.
Künstliche Neuronen/Deep Learning Netzwerke.
- NLP: Prinzipien und Anwendungen.
Computer Vision: Prinzipien und Anwendungen.
Übung: Eisbrecher, um gut zu beginnen.
IA Use Case (2,0 Stunden)
Präsentation von im Unternehmen implementierten Use Cases.
- Auswahl der Anwendungsfelder für die Analyse.
Übung: Business Case Analyse, um festzustellen, ob es angemessen ist, LM zu verwenden. Welcher Ansatz sollte angewendet werden?
Vorbereitung auf ein maschinelles Lernprojekt (2,0 Stunden)
Themen und Risiken.
- Fähigkeiten erforderlich.
- Bewerten und Aufbereiten seiner Daten.
- Agilität für ML-Projekte.
Praktische Arbeit: AI-Projekt: Business Canvas. Wählen Sie ein Problem mit LM zu behandeln. Lehre die Leinwand.

LM-Projekt: Wertschöpfung (3,0 Stunden)
Vom Brotpunkt zur Wertschöpfung.
- Zentraler Kundenansatz, Design Thinking Ansatz.
- Die Herausforderungen bei der Integration von KI-Modellen in Geschäftsprozesse.
Algorithmen von ML (2,0 Stunden) Präsentation.
- Modellierung eines Problems im Sinne von Machine Learning: Input/Output.
- Hauptcharakteristische Algorithmen.
- Hyperparametermodelle.
Anflug Ende bis Ende des ML-Projekts (2,0 Stunden)
Overfitting/Underfitting: Welche Lösungen?
- Wer macht was in einem ML-Projekt?
- Mit welcher Methodik?
- Von der Datenerfassung bis zur Industrialisierung (Illustration mit einer Usebox).
- Das Problem der Daten: Quantität, Qualität, Nichtrepräsentativität, Fokus auf "unausgewogenen Datensatz".
Features Engineering: irrelevent Features, wie man auswählt, extrahiert und neue Features erstellt.
- Probleme gegeben / Algorithmen, Vorurteile, Privatsphäre.
Praktische Arbeit: Darstellung der Anwendungsfälle: Klassifizierung, Clustering, NLP/Klassifizierung. Wählen Sie ein Anwendungsfeld, bereiten Sie Ihren Datensatz vor. Daten anzeigen. Präsentieren Sie die relevanten "Merkmale".

Erstellen eines maschinellen Lernmodells (3,0 Stunden)
Das KI-Ökosystem.
- Übersicht über Lösungen, Akteure und Lieferanten, bestehende Online-Services bei GAFAM und Start-ups.
- Python Sprache, Bibliotheken:
- Datenverarbeitung (NumPy, Pandas, matplotlib...). - Von ML(Keras, scikit-learn...).
DL (Tensorflow).
Praktische Arbeit: Durchführung eines ML-Projekts und schrittweises Follow-up des Projekts in Zusammenarbeit mit einem Datascientist Coach. (Aufbereitung und Visualisierung von Daten). Auswahl der Features. Schulung und Modellbewertung. Leistungsmessung. Erstellen einer LM-Vorlage ohne Code
Geschäftsbewertungsprobleme (2,0 Stunden)
Wertschöpfung.
- Bewertungsfragen.
- Leistung.
ROI, Return on Investment.
Projektpraktiken und -organisation (2,0 Stunden)
Zusammenfassung der Best Practices aus geschäftlicher Sicht.
- Organisation der Kompetenzen innerhalb einer Datentreiberorganisation.