Zajęcia odbywać się będą zdalnie, synchronicznie (na platformie Zoom).

Podczas zajęć wymagane jest korzystanie z komputera oraz posiadanie włączonej kamery.
Pragniemy również poinformować że zajęcia będą nagrywane, a nagrania przeznaczone zostaną tylko i wyłącznie
w celu ewentualnego wglądu/powtórzenia materiału przez uczestników danej edycji szkolenia.

MODUŁ 1 [4h]. Wprowadzenie. Algorytmy i modele uczenia maszynowego (cz. 1)

1. Wprowadzenie
a. Pejzaż uczenia maszynowego i sztucznej inteligencji
b. Cele i zasady pracy na szkoleniu
c. Projekt na zaliczenie
2. Uczenie maszynowe w biznesie: regresja i klasyfikacja
a. Regresja: predykcja cen nieruchomości, predykcja wartości klienta
b. Klasyfikacja: identyfikacja klientów wysokomarżowych w e-commerce, predykcja odejścia klienta do konkurencji, ocena wiarygodności kredytowej i predykcja konwersji w bankowości

MODUŁ 2 [4h] Algorytmy i modele uczenia maszynowego (cz. 2)

1. Uczenie maszynowe w biznesie: segmentacja
a. segmentacja klientów metodą RFM,
b. identyfikacja regionów o najwyższym potencjale sprzedaży
1. Idea uczenia maszynowego. Nauczanie nadzorowane, nienadzorowane i ze wzmocnieniem
2. Dobór algorytmu do problemu biznesowego

MODUŁ 3 [4h] Analiza i przygotowanie danych do modelowania

1. Eksploracyjna analiza danych
2. Czyszczenie danych
3. Inżynieria cech

MODUŁ 4 [4h] Ewaluacja, doskonalenie i objaśnialność modeli

1. Ewaluacja statystyczna modeli klasyfikacji, regresji segmentacji
2. Ocena wartości biznesowej modeli
3. Doskonalenie modeli
4. Interpretacja działania modeli, drzewa decyzyjne

MODUŁ 5 [4h] Formułowanie uzasadnianie biznesowego (cz. 1)

1. Potencjał technologii rozpoznawania obrazu i przetwarzania języka naturalnego w produkcji, handlu i logistyce

MODUŁ 6 [4h] Formułowanie uzasadnianie biznesowego (cz. 2)

1. Strategia tworzenia portfela projektów uczenia maszynowego
2. Uczenie maszynowe w projektowaniu strategicznego koła zamachowego (strategic flywheel)
3. Formułowanie uzasadnienia biznesowego, prezentacja dla decydentów

MODUŁ 7 [4h] Praktyczne aspekty wdrożeń

1. Proces pozyskania danych i modelowania, metodyka CRISP-DM
2. Wdrożenie produkcyjne, stosy technologiczne i architektury SI, metodyka MLOps
3. Wdrożenie biznesowe, empiryczna weryfikacja wartości modeli uczenia maszynowego, projektowanie eksperymentów
4. Podsumowanie szkolenia

Uwaga: prezentowany wyżej harmonogram jest orientacyjny – może ulec niewielkim modyfikacjom (zarówno w aspekcie czasowym, jak i zakresu) w zależności od zainteresowania uczestników. Dodatkowo, każdy z uczestników będzie miał możliwość indywidualnych konsultacji on-line z prowadzącym jako wsparcia w procesie realizacji projektu końcowego.