Class Central is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

Amazon Web Services

Machine Learning Essentials for Business and Technical Decision Makers (Thai)

Amazon Web Services and Amazon via AWS Skill Builder

Overview

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


Reviews

Start your review of Machine Learning Essentials for Business and Technical Decision Makers (Thai)

Never Stop Learning.

Get personalized course recommendations, track subjects and courses with reminders, and more.

Someone learning on their laptop while sitting on the floor.