Lesson 1: Solving Business Problems Using AI and ML

• Topic A: Identify AI and ML Solutions for Business Problems
• Topic B: Formulate a Machine Learning Problem
• Topic C: Select Approaches to Machine Learning

Lesson 2: Preparing Data

• Topic A: Collect Data
• Topic B: Transform Data
• Topic C: Engineer Features
• Topic D: Work with Unstructured Data

Lesson 3: Training, Evaluating, and Tuning a Machine Learning Model

• Topic A: Train a Machine Learning Model
• Topic B: Evaluate and Tune a Machine Learning Model

Lesson 4: Building Linear Regression Models

• Topic A: Build Regression Models Using Linear Algebra
• Topic B: Build Regularized Linear Regression Models
• Topic C: Build Iterative Linear Regression Models

Lesson 5: Building Forecasting Models

• Topic A: Build Univariate Time Series Models
• Topic B: Build Multivariate Time Series Models

Lesson 6: Building Classification Models Using Logistic Regression and k-Nearest Neighbor

• Topic A: Train Binary Classification Models Using Logistic Regression
• Topic B: Train Binary Classification Models Using k-Nearest Neighbor
• Topic C: Train Multi-Class Classification Models
• Topic D: Evaluate Classification Models
• Topic E: Tune Classification Models

Lesson 7: Building Clustering Models

• Topic A: Build k-Means Clustering Models
• Topic B: Build Hierarchical Clustering Models

Lesson 8: Building Decision Trees and Random Forests

• Topic A: Build Decision Tree Models
• Topic B: Build Random Forest Models

Lesson 9: Building Support-Vector Machines

• Topic A: Build SVM Models for Classification
• Topic B: Build SVM Models for Regression

Lesson 10: Building Artificial Neural Networks

• Topic A: Build Multi-Layer Perceptrons (MLP)
• Topic B: Build Convolutional Neural Networks (CNN)
• Topic C: Build Recurrent Neural Networks (RNN)

Lesson 11: Operationalizing Machine Learning Models

• Topic A: Deploy Machine Learning Models
• Topic B: Automate the Machine Learning Process with MLOps
• Topic C: Integrate Models into Machine Learning Systems

Lesson 12: Maintaining Machine Learning Operations

• Topic A: Secure Machine Learning Pipelines
• Topic B: Maintain Models in Production

Questo corso CertNexus Certified Artificial Intelligence Practitioner tratta competenze trattate che convergono su quattro aree: sviluppo software, operazioni IT, matematica applicata e statistica
e statistica applicata e analisi aziendale. Gli studenti destinatari di questo corso devono cercare di sviluppare le loro conoscenza del processo di scienza dei dati in modo da poter applicare i sistemi di IA, in particolare i modelli di apprendimento automatico, ai problemi aziendali.

Quindi, lo studente target è un professionista della scienza dei dati, uno sviluppatore di software o un analista aziendale che cerca di ampliare la propria conoscenza degli algoritmi di apprendimento automatico e di come questi possano contribuire a creare prodotti decisionali intelligenti che apportino valore all’azienda.

Al termine di questo corso l’allievo sarà in grado di:

• Risolvere un determinato problema aziendale utilizzando l’IA e il ML
• Preparare i dati per l’apprendimento automatico
• Addestrare, valutare e mettere a punto un modello di apprendimento automatico
• Costruire modelli di regressione lineare
• Costruire modelli di previsione
• Costruire modelli di classificazione utilizzando la regressione logistica e il k-nearest neighbor
• Costruire modelli di clustering
• Costruire modelli di classificazione e regressione utilizzando alberi decisionali e foreste casuali
• Costruire modelli di classificazione e regressione utilizzando macchine a vettore di supporto (SVM)
• Costruire reti neurali artificiali per l’apprendimento profondo
• Mettere in funzione i modelli di apprendimento automatico utilizzando processi automatizzati
• Mantenere le pipeline e i modelli di apprendimento automatico mentre sono in produzione

Per garantire il successo di questo corso, è necessario conoscere i concetti fondamentali della scienza dei dati:

• L’intero processo di scienza dei dati e di apprendimento automatico da un capo all’altro: formulazione del problema; la raccolta e la preparazione dei dati; l’analisi dei dati; l’ingegnerizzazione e la preelaborazione dei dati; l’addestramento, la messa a punto e la valutazione di un modello; la finalizzazione di un modello.
• Concetti statistici come campionamento, test di ipotesi, distribuzione di probabilità, casualità, ecc
• Statistiche di sintesi come media, mediana, modalità, intervallo interquartile (IQR), deviazione standard, skewness, ecc.
• Grafici, diagrammi, diagrammi e altri metodi di analisi visiva dei dati.

È possibile ottenere questo livello di competenze e conoscenze seguendo il corso CertNexus Certified Data Science Practitioner (CDSP).

È inoltre necessario essere a proprio agio nella scrittura di codice in linguaggio di programmazione Python, compreso l’uso di librerie fondamentali per la scienza dei dati Python come NumPy e pandas.

Lingua utilizzata nel corso/dal docente: Inglese
Il materiale didattico è in lingua Inglese