in

Nuevo curso práctico para analistas de negocios: toma de decisiones prácticas con ML sin código en AWS | Servicios web de Amazon

La inteligencia artificial (IA) está a nuestro alrededor. AI envía ciertos correos electrónicos a nuestras carpetas de spam. Activa la autocorrección, lo que nos ayuda a corregir errores tipográficos cuando enviamos mensajes de texto. Y ahora podemos usarlo para resolver problemas comerciales.

En los negocios, los conocimientos basados ​​en datos se han vuelto cada vez más valiosos. Estos conocimientos a menudo se descubren con la ayuda del aprendizaje automático (ML), un subconjunto de la IA y la base de los sistemas complejos de IA. Y la tecnología ML ha recorrido un largo camino. Hoy en día, no es necesario ser un científico de datos o un ingeniero informático para obtener información. Con la ayuda de herramientas de aprendizaje automático sin código, como Amazon SageMaker Canvas, ahora puede lograr resultados comerciales efectivos utilizando aprendizaje automático sin escribir una sola línea de código. Puede comprender mejor los patrones, las tendencias y lo que es probable que suceda en el futuro. ¡Y eso significa tomar mejores decisiones comerciales!

Hoy, me complace anunciar que AWS y Coursera están lanzando el nuevo curso práctico Toma de decisiones prácticas con ML sin código en AWS. Este curso de cinco horas está diseñado para desmitificar AI/ML y brindar a cualquier persona con una hoja de cálculo la capacidad de resolver problemas comerciales de la vida real.

Toma de decisiones prácticas en Coursera

Aspectos destacados del curso
En el transcurso de tres lecciones, aprenderá cómo abordar su problema comercial usando ML, cómo construir y comprender un modelo ML sin ningún código y cómo usar ML para extraer valor para tomar mejores decisiones. Cada lección lo guía a través de escenarios comerciales de la vida real y ejercicios prácticos utilizando Amazon SageMaker Canvas, una herramienta visual de aprendizaje automático sin código.

Lección 1: Cómo abordar su problema comercial utilizando ML
En la primera lección, aprenderá cómo abordar su problema comercial utilizando ML sin saber ciencia de datos. Podrá describir las cuatro etapas de análisis y discutir los conceptos de alto nivel de AI/ML.

Ciencia de datos práctica: análisis prescriptivo

Esta lección también le presentará el aprendizaje automático automatizado (AutoML) y cómo AutoML puede ayudarlo a generar información basada en casos de uso comercial comunes. Luego, practicará la formulación de preguntas comerciales en torno a los tipos de problemas de aprendizaje automático más comunes.

Toma de decisiones prácticas - Formulación de preguntas de ML

Por ejemplo, imagina que eres un analista comercial en una empresa de venta de entradas. Gestiona la venta de entradas para grandes lugares: conciertos, eventos deportivos, etc. Supongamos que desea predecir el flujo de caja. Una pregunta para resolver con ML podría ser: «¿Cómo se puede pronosticar mejor la venta de entradas?» Este es un ejemplo de pronóstico de series de tiempo. También explorará problemas de ML numéricos y de categorías a lo largo del curso. Lo ayudarán a responder preguntas comerciales como «¿Cuáles son los ingresos anuales probables para un cliente?» y “¿Este cliente comprará otro boleto en los próximos tres meses?”.

A continuación, aprenderá sobre el proceso iterativo de hacer preguntas para el aprendizaje automático para hacer las preguntas más explícitas y explorará cómo elegir los problemas de mayor valor para trabajar.

Toma de decisiones prácticas: valor frente a facilidad

La primera lección concluye con una inmersión profunda en cómo el tiempo influye en sus datos en los problemas comerciales de pronóstico y no pronóstico y cómo configurar sus datos para cada tipo de problema de ML.

Lección 2: Cree y comprenda un modelo ML sin ningún código
En la segunda lección, aprenderá a crear y comprender un modelo de ML sin ningún código utilizando Amazon SageMaker Canvas. Se centrará en un ejemplo de abandono de clientes con datos generados sintéticamente de una empresa de servicios celulares. La pregunta del problema es: «¿Qué clientes tienen más probabilidades de cancelar su servicio el próximo mes?»

Toma de decisiones prácticas: ejemplo de abandono de clientes

Aprenderá cómo importar datos y empezar a explorarlos. Esta lección explicará cómo seleccionar la configuración correcta, elegir la columna de destino y mostrarle cómo preparar sus datos para ML.

SageMaker Canvas también introdujo recientemente nuevas visualizaciones para el análisis exploratorio de datos (EDA), incluidos diagramas de dispersión, gráficos de barras y diagramas de caja. Estas visualizaciones lo ayudan a analizar las relaciones entre las características en sus conjuntos de datos y comprender mejor sus datos.

Toma de decisiones prácticas: diagrama de dispersión de lienzo de SageMaker

Después de una validación de datos final, puede obtener una vista previa del modelo. Esto le muestra de inmediato qué tan preciso puede ser el modelo y, en promedio, qué características o columnas tienen el mayor impacto relativo en las predicciones del modelo. Una vez que haya terminado de preparar y validar los datos, puede continuar y construir el modelo.

Toma de decisiones prácticas: evaluación del modelo

A continuación, aprenderá a evaluar el rendimiento del modelo. Podrá describir la diferencia entre los datos de entrenamiento y las divisiones de datos de prueba y cómo se utilizan para derivar la puntuación de precisión del modelo. La lección también analiza métricas de rendimiento adicionales y cómo puede aplicar el conocimiento del dominio para decidir si el modelo está funcionando bien. Una vez que comprenda cómo evaluar las métricas de rendimiento, tendrá la base para tomar mejores decisiones comerciales.

La segunda lección finaliza con algunos problemas comunes a tener en cuenta y muestra cómo iterar en el modelo para seguir mejorando el rendimiento. Podrá describir el concepto de fuga de datos como resultado de la memorización frente a la generalización y las fallas adicionales del modelo que se deben evitar. También aprenderá a repetir preguntas, funciones incluidas y tamaños de muestra para seguir aumentando el rendimiento del modelo.

Lección 3: extraer valor de ML
En la tercera lección, aprenderá cómo extraer valor de ML para tomar mejores decisiones. Podrá generar y leer predicciones, incluidas predicciones en una sola fila de una hoja de cálculo, denominada predicción única, y predicciones en toda la hoja de cálculo, denominada predicción por lotes. Podrá comprender qué está afectando las predicciones y jugar con diferentes escenarios.

A continuación, aprenderá a compartir conocimientos y predicciones con otras personas. Aprenderá a tomar imágenes del producto, como gráficos de importancia de características o diagramas de puntuación, y compartir los conocimientos a través de presentaciones o informes comerciales.

La tercera lección concluye con cómo colaborar con el equipo de ciencia de datos o un miembro del equipo con experiencia en aprendizaje automático. Cuando crea su modelo con SageMaker Canvas, puede elegir un Construcción rápida o un Construcción estándar. La compilación rápida suele tardar entre 2 y 15 minutos y limita el conjunto de datos de entrada a un máximo de 50 000 filas. La construcción estándar generalmente toma de 2 a 4 horas y generalmente tiene una mayor precisión. SageMaker Canvas facilita compartir un modelo de compilación estándar. En el proceso, puede revelar la complejidad tras bambalinas del modelo hasta el nivel del código.

Una vez que tenga abierto el modelo entrenado, puede hacer clic en el Cuota botón. Esto crea un vínculo que se puede abrir en SageMaker Studio, un entorno de desarrollo integrado que utilizan los equipos de ciencia de datos.

Toma de decisiones prácticas: modelo de acciones

En SageMaker Studio, puede ver las transformaciones del conjunto de datos de entrada e información detallada sobre la puntuación y los artefactos, como el objeto modelo. También puede ver los cuadernos de Python para la exploración de datos y la ingeniería de funciones.

Toma de decisiones prácticas - SageMaker Studio

Ejercicios prácticos
Este curso incluye siete laboratorios prácticos para poner en práctica su aprendizaje. Tendrá la oportunidad de usar ML sin código con SageMaker Canvas para resolver desafíos del mundo real basados ​​en conjuntos de datos disponibles públicamente.

Los laboratorios se enfocan en diferentes problemas comerciales en todas las industrias, incluidos el comercio minorista, los servicios financieros, la fabricación, la atención médica y las ciencias de la vida, así como el transporte y la logística.

Tendrá la oportunidad de trabajar en predicciones de rotación de clientes, predicciones de precios de viviendas, predicciones de ventas, predicciones de préstamos, predicciones de reingreso de pacientes diabéticos, predicciones de fallas de máquinas y predicciones de entrega a tiempo de la cadena de suministro.

Regístrese hoy
Toma de decisiones prácticas con ML sin código en AWS es un curso de cinco horas para analistas de negocios y cualquier persona que quiera aprender a resolver problemas comerciales de la vida real utilizando ML sin código.

Matricularse en Toma de decisiones prácticas con ML sin código en AWS hoy en Coursera!

Antje



Fuente

Pedidos anticipados de Call Of Duty Modern Warfare 2: bonificaciones, ediciones y más

Pedidos anticipados de Call Of Duty Modern Warfare 2: bonificaciones, ediciones y más

ataque cibernetico

Los piratas informáticos publican datos después de que el distrito escolar de Los Ángeles se niega a pagar el rescate