Kursbeschreibung
In diesem dreiteiligen Kurs lernen Sie die besten Praktiken und Empfehlungen für Machine Learning (ML) kennen. Der Kurs untersucht, wie eine Roadmap für die Integration von ML in Ihre Geschäftsprozesse durchgeführt wird, untersucht Anforderungen, um festzustellen, ob ML die geeignete Lösung für ein Geschäftsproblem ist, und beschreibt, welche Komponenten für eine erfolgreiche organisatorische Einführung von ML benötigt werden.
• Kursstufe: Grundlagenkurs
• Dauer: 90 Minuten
Aktivitäten
Dieser Kurs beinhaltet Präsentationen, Videos und Wissenstests.
Lernziele des Kurses
In diesem Kurs lernen Sie:
• Verstehen der Grundlagen des Machine Learnings, um die Vorteile und Risiken im Zusammenhang mit der Einführung von ML in verschiedenen Business Cases zu bewerten
• Identifizieren der Daten-, Zeit- und Produktionsanforderungen für ein erfolgreiches ML-Projekt
• Beschreiben, wie eine Organisation angepasst werden kann, um mit ML Erfolg zu erzielen und diesen aufrechtzuerhalten
Zielgruppe
Dieser Kurs ist konzipiert für:
• Nichttechnische Führungskräfte und andere geschäftliche Entscheidungsträger, die an ML-Projekten beteiligt sind oder sein werden
• Teilnehmer des Programms „AWS Machine Learning Embark“ und der Discovery-Workshops für Machine Learning Solutions Lab (MLSL)
Voraussetzungen
Idealerweise erfüllen die Kursteilnehmer folgende Voraussetzungen:
• Grundkenntnisse über Computer und Computersysteme
• Einige konzeptuelle Grundkenntnisse des Machine Learnings
Kursübersicht
Kurs 1: Introduction to Machine Learning: Art of the Possible
Modul 1. Wie kann Machine Learning helfen?
• Definieren von Machine Learning
• Beschreiben der positiven Feedback-Schleife (Flywheel), die ML-Projekte antreibt
• Beschreiben der verschiedenen Geschäftsbereiche, die vom Machine Learning betroffen sind
• Beschreiben des Potenzials für Machine Learning in unterversorgten Märkten
Modul 2. Wie funktioniert Machine Learning?
• Beschreiben künstlicher Intelligenz
• Beschreiben des Unterschieds zwischen künstlicher Intelligenz und Machine Learning
Modul 3. Was sind einige potenzielle Probleme beim Machine Learning?
• Beschreiben der Unterschiede zwischen einfachen und komplexen Modellen
• Verstehen von Unerklärbarkeits- und Unsicherheitsproblemen mit Machine-Learning-Modellen
Modul 4. Fazit
Kurs 2: Planen eines Machine-Learning-Projekts
Modul 1. Ist eine ML-Lösung für mein Problem geeignet?
• Erklären, wie Sie feststellen können, ob ML die geeignete Lösung für Ihr Geschäftsproblem ist
Modul 2. Sind meine Daten bereit für Machine Learning?
• Beschreiben des Prozesses, um sicherzustellen, dass Ihre Daten für ML bereit sind
Modul 3. Wie wirkt sich Machine Learning auf eine Projektzeitleiste aus?
• Erklären, wie sich ML auf eine Projektzeitleiste auswirken kann
Modul 4. Welche Fragen sollte ich bei der Bereitstellung schon früh stellen?
• Identifizieren von Fragen, die sich auf die ML-Bereitstellung auswirken
Modul 5: Fazit
Kurs 3: Aufbauen einer Organisation, die für ML bereit ist
Modul 1. Wie kann ich meine Organisation auf die Verwendung von ML vorbereiten?
• Wie kann ich meine Organisation auf die Verwendung von ML vorbereiten?
• Wie kann AWS mir helfen?
• Welche anderen Strategien kann ich anwenden, um den organisatorischen Erfolg sicherzustellen?
• Welcher Ansatz für einen kulturellen Wandel funktioniert für meine Organisation?
Modul 2. Wie bewerte ich meine Datenstrategie?
• Wie bewerte ich meine Datenstrategie?
• Wie kann ich meine Datenstrategie verbessern?
Modul 3. Wie schaffe ich eine Kultur des Lernens und der Zusammenarbeit?
• Wie schaffe ich eine Kultur des Lernens und der Zusammenarbeit?
• Was ist ein Datenwissenschaftler?
• Welche Fähigkeiten sollte ein Datenwissenschaftler haben?
• Wie sieht ein Pilot-ML-Team aus?
• Welche anderen unterstützenden Rollen brauche ich?
• Was sind die wichtigsten Verantwortlichkeiten?
Modul 4. Wie beginne ich meinen ML-Prozess?
• Wie beginne ich meinen ML-Prozess?
• Wie sieht der ML-Prozess einer Organisation aus?
• Was ist ein Beispiel für einen Business Case für den Fortschritt einer Organisation?
Modul 5: Fazit
