คำอธิบายหลักสูตร
ในหลักสูตรสามรายวิชานี้ คุณจะได้เรียนรู้เกี่ยวกับแนวทางปฏิบัติที่ดีที่สุดและคำแนะนำสำหรับแมชชีนเลิร์นนิ่ง (ML) ตัวรายวิชาจะสำรวจวิธีการวางโรดแมปสำหรับการบูรณาการ ML เข้ากับกระบวนการทางธุรกิจของคุณ สำรวจข้อกำหนดเพื่อพิจารณาว่า ML เป็นโซลูชันที่เหมาะสมกับปัญหาทางธุรกิจหรือไม่ และอธิบายว่าองค์ประกอบใดที่จำเป็นสำหรับการนำ ML มาใช้ในองค์กรให้ประสบความสำเร็จ
• ระดับหลักสูตร: พื้นฐาน
• ระยะเวลา: 90 นาที
กิจกรรมต่างๆ
หลักสูตรนี้ประกอบด้วยรายวิชาต่างๆ พร้อมการนำเสนอ วิดีโอ และการทดสอบความรู้
วัตถุประสงค์ของหลักสูตร
ในหลักสูตรนี้ คุณจะได้เรียนรู้สิ่งต่างๆ ดังนี้:
• เข้าใจหลักการพื้นฐานของแมชชีนเลิร์นนิ่งเพื่อช่วยประเมินประโยชน์และความเสี่ยงที่เกี่ยวข้องกับการนำ ML ไปใช้ในเหตุผลทางธุรกิจต่างๆ
• ระบุข้อมูล เวลา และข้อกำหนดการผลิตสำหรับโปรเจกต์ ML ที่ประสบความสำเร็จ
• อธิบายวิธีการปรับองค์กรให้บรรลุผลสำเร็จอย่างยั่งยืนโดยใช้ ML
กลุ่มเป้าหมาย
เนื้อหาหลักสูตรนี้สร้างขึ้นสำหรับ:
• ผู้นำธุรกิจที่ไม่มีความรู้ทางเทคนิคและผู้มีอำนาจตัดสินใจทางธุรกิจอื่นๆ ที่เข้าร่วมหรือจะเข้าร่วมในโปรเจกต์ ML
• ผู้เข้าร่วมโปรแกรม AWS Machine Learning Embark และเวิร์กช็อปการค้นพบ Machine Learning Solutions Lab (MLSL)
ข้อกำหนดเบื้องต้น
เราขอแนะนำว่าผู้เข้าร่วมการอบรมหลักสูตรนี้ควรได้เรียนเรื่องเหล่านี้มาก่อน:
• ความรู้เบื้องต้นเกี่ยวกับคอมพิวเตอร์และระบบคอมพิวเตอร์
• ความรู้พื้นฐานบางประการเกี่ยวกับแนวคิดแมชชีนเลิร์นนิ่ง
รายละเอียดหลักสูตร
วิชาที่ 1: ความรู้เบื้องต้นเกี่ยวกับแมชชีนเลิร์นนิ่ง: ศิลปะแห่งความเป็นไปได้
โมดูลที่ 1. แมชชีนเลิร์นนิ่งจะช่วยได้อย่างไร
• นิยามแมชชีนเลิร์นนิ่ง
• อธิบายวงจรป้อนกลับเชิงบวก (วงล้อ) ที่ขับเคลื่อนโปรเจกต์ ML
• อธิบายโดเมนธุรกิจต่างๆ ที่ได้รับผลกระทบจากแมชชีนเลิร์นนิ่ง
• อธิบายศักยภาพของแมชชีนเลิร์นนิ่งในตลาดที่นำแมชชีนเลิร์นนิ่งมาใช้ประโยชน์น้อย
โมดูลที่ 2. แมชชีนเลิร์นนิ่งทำงานอย่างไร
• อธิบายปัญญาประดิษฐ์
• อธิบายความแตกต่างระหว่างปัญญาประดิษฐ์กับแมชชีนเลิร์นนิ่ง
โมดูลที่ 3. ปัญหาที่อาจเกิดขึ้นกับแมชชีนเลิร์นนิ่งมีอะไรบ้าง
• อธิบายความแตกต่างระหว่างโมเดลแบบง่ายกับแบบซับซ้อน
• เข้าใจปัญหาเรื่องความไม่สามารถอธิบายได้และความไม่แน่นอนของโมเดลแมชชีนเลิร์นนิ่ง
โมดูลที่ 4. สรุป
วิชาที่ 2: การวางแผนโปรเจกต์แมชชีนเลิร์นนิ่ง
โมดูลที่ 1. โซลูชันแมชชีนเลิร์นนิ่งเหมาะสำหรับปัญหาของฉันหรือไม่
• อธิบายวิธีพิจารณาว่า ML เป็นโซลูชันที่เหมาะสมกับปัญหาทางธุรกิจของคุณหรือไม่
โมดูลที่ 2. ข้อมูลของฉันพร้อมสำหรับแมชชีนเลิร์นนิ่งหรือไม่
• อธิบายกระบวนการตรวจสอบให้แน่ใจว่าข้อมูลของคุณพร้อมสำหรับ ML
โมดูลที่ 3. แมชชีนเลิร์นนิ่งส่งผลกระทบต่อไทม์ไลน์ของโปรเจกต์อย่างไร
• อธิบายว่า ML ส่งผลกระทบต่อไทม์ไลน์ของโปรเจกต์ได้อย่างไร
โมดูลที่ 4. คำถามแรกๆ ที่ฉันควรถามในการปรับใช้งานคืออะไรบ้าง
• ระบุคำถามที่จะถามที่ส่งผลต่อการปรับใช้งาน ML
โมดูลที่ 5. สรุป
วิชาที่ 3: การสร้างองค์กรที่พร้อมสำหรับแมชชีนเลิร์นนิ่ง
โมดูลที่ 1. ฉันจะเตรียมองค์กรสำหรับการใช้ ML ได้อย่างไร
• ฉันจะเตรียมองค์กรสำหรับการใช้ ML ได้อย่างไร
• AWS ช่วยฉันได้อย่างไร
• มีกลยุทธ์อื่นใดอีกบ้างที่ฉันสามารถนำมาใช้เพื่อให้องค์กรประสบความสำเร็จ
• วิธีการเปลี่ยนแปลงทางวัฒนธรรมใดที่เหมาะสำหรับองค์กรของฉัน
โมดูลที่ 2. ฉันจะประเมินกลยุทธ์ข้อมูลได้อย่างไร
• ฉันจะประเมินกลยุทธ์ข้อมูลได้อย่างไร
• ฉันจะปรับปรุงกลยุทธ์ข้อมูลได้อย่างไร
โมดูลที่ 3. ฉันจะสร้างวัฒนธรรมการเรียนรู้และการทำงานร่วมกันได้อย่างไร
• ฉันจะสร้างวัฒนธรรมการเรียนรู้และการทำงานร่วมกันได้อย่างไร
• นักวิทยาศาสตร์ข้อมูลคืออะไร
• นักวิทยาศาสตร์ข้อมูลควรมีทักษะใดบ้าง
• ทีมนำร่อง ML มีลักษณะอย่างไร
• ฉันต้องมีบทบาทสนับสนุนอะไรอีกบ้าง
• ความรับผิดชอบหลักคืออะไร
โมดูลที่ 4. ฉันจะเริ่มต้นประสบการณ์ใช้งาน ML ได้อย่างไร
• ฉันจะเริ่มต้นประสบการณ์ใช้งาน ML ได้อย่างไร
• ประสบการณ์ใช้งาน ML ขององค์กรมีลักษณะอย่างไร
• ตัวอย่างเหตุผลทางธุรกิจสำหรับความก้าวหน้าขององค์กรคืออะไร
โมดูลที่ 5. สรุป
