Putting Machine Learning to Work

Supervised learning lost moderne analytische uitdagingen op en ondersteunt geïnformeerde besluitvorming. Alhoewel het voorspellend vermogen van machinelearning modellen indrukwekkend kan zijn, moet er wel een actie aan gekoppeld zijn om er profijt van te hebben. Modellen moeten daarnaast ook automatisch worden uitgerold om besluitvorming continue te kunnen ondersteunen en meetbare verschillen te realiseren. En hoewel ook unsupervised learning methoden krachtige analytische mogelijkheden bieden is hier vaak nog geen duidelijke route naar productie. Deze cursus laat zien wanneer welke vorm van machinelearning het beste past bij de business doelstellingen en hoe u meerwaarde kunt behalen uit beide benaderingen.

Regressieanalyse, decision trees, neurale netwerken, samen met vele andere supervised learning technieken, realiseren krachtige voorspellende inzichten wanneer historische resultaatwaarden beschikbaar zijn. Zodra deze modellen gebouwd zijn, genereren supervised learning modellen een score die gebruikt kan worden om automatische besluitvorming in organisaties te ondersteunen. Wij zullen verkennen hoe deze bewegende panelen strategisch gezien bij elkaar kunnen worden gebracht.

Unsupervised methoden zoals clusteranalyse, anomaly detectie en associatieregels zijn verkennend van aard en genereren niet zoals supervised learning modellen een voorspellende score. De vraag is hoe deze modellen in staat kunnen worden gesteld om organisatorische besluitvorming te ondersteunen. Deze cursus zal dat laten zien.

Deze cursus laat een verscheidenheid aan voorbeelden zien, te beginnen met het verkennen en interpreteren van modellen en hun toepassing. Mogelijkheden om met de resultaten van deze modellen verder te gaan zullen worden bezien. U zult ook zien hoe een verzameling van modellen, waaronder businessregels, supervised modellen en unsupervised modellen gezamenlijk kunnen worden toegepast in concrete situaties, zoals bij fraudedetectie en het verstrekken van verzekeringen.

Leerdoelen

• Wanneer moet u supervised en wanneer unsupervised modellen toepassen?
• Mogelijkheden om machinelearning in te zetten voor besluitvorming in uw organisatie
• Hoe kunt u verschillende modellen inzetten voor benaderingen en classificaties in de werkelijkheid?
• Effectieve technieken om resultaten van unsupervised learning toe te passen
• Het interpreteren en monitoren van uw modellen voor continue verbeteringen
• Hoe combineert u op creatieve wijze supervised en unsupervised modellen om tot betere resultaten te komen?

Bestemd voor ú
Deze interactieve workshop is opgezet voor Analisten, Data scientists, IT Professionals, BI Professionals, Technology Planners, Consultants, Business analisten en Projectleiders van analyse opdrachten.

Onderwerpen

1. Model Development Introduction

Current Trends in AI, Machine Learning and Predictive Analytics

• Algorithms in the News: Deep Learning
• The Modeling Software Landscape
• The Rise of R and Python: The Impact on Modeling and Deployment
• Do I Need to Know About Statistics to Build Predictive Models?

2. Strategic and Tactical Considerations in Binary Classification

• What’s is an Algorithm?
• Is a “Black Box” Algorithm an Option for Me?
• Issues Unique to Classification Problems
• Why Classification Projects are So Common
• Why are there so many Algorithms?

3. Data Preparation for Supervised Models

• Data Preparation Law
• Integrate Data Subtasks
• Aggregations: Numerous Options
• Restructure: Numerous Options
• Data Construction
• Ratios and Deltas
• Date Math
• Extract Subtask

4. The Tasks of the Model Phase

• Optimizing Data for Different Algorithms
• Model Assessment
  • Evaluate Model Results
    • Check Plausibility
    • Check Reliability
    • Model Accuracy and Stability
    • Lift and Gains Charts
    • Modeling Demonstration
  • Assess Model Viability
  • Select Final Models
  • Why Accuracy and Stability are Not Enough
  • What to Look for in Model Performance
  • Exercise Breakout Session
    • Select Final Models
    • Create & Document Modeling Plan
    • Determine Readiness for Deployment
    • What are Potential Deployment Challenges for Each Candidate Model?

5. What is Unsupervised Learning?

• Clustering
• Association Rules
• Why most organizations utilize unsupervised methods poorly
  • Case Study 1: Finding a new opportunity
  • Case Studies 2, 3, and 4: How do supervised and unsupervised work together
  • Exercise Breakout Session: Pick the right approach for each case study
  • Data Preparation for Unsupervised
    • The importance of standardization
    • Running an analysis directly on transactional data
  • Unsupervised Algorithms:
    • Hierarchical Clustering
    • K-means
    • Self-Organizing Maps
    • K Nearest Neighbors
    • Association Rules
  • Interpreting Unsupervised
    • Exercise Breakout Session: Which value of K is best?
    • Choosing the right level of granularity
    • Reporting unsupervised results

6. Wrap-up and Next Steps

• Supplementary Materials and Resources
• Conferences and Communities
• Get Started on a Project!
• Options for Implementation Oversight and Collaborative Development