El presente y futuro de AutoML: casos de uso reales en el entorno industrial

Resumen

Descubra cómo la tecnología AutoML evolucionó de ser una palabra de moda a una herramienta industrial esencial, explorando sus aplicaciones actuales y futuros desafíos en SK Group a través de casos de implementación en el mundo real.

Programa de estudio

• Introducción al Curso
Visión General de AutoML
Objetivos y Resultados del Curso
Relevancia de AutoML en la Industria
• Evolución de AutoML
Perspectiva Histórica de AutoML
Desarrollos Clave y Hitos
Transición de Concepto a Herramienta Práctica
• Conceptos Básicos de AutoML
Preprocesamiento de Datos Automatizado
Selección de Modelos y Ajuste de Hiperparámetros
Ingeniería y Selección de Características
• Aplicaciones Industriales Actuales de AutoML
Análisis de Caso: Implementación de AutoML por SK Group
AutoML para Analítica Predictiva en Manufactura
Mejoramiento de la Personalización e Información del Cliente
• Herramientas y Marcos de Trabajo para AutoML
Visión General de las Principales Herramientas de AutoML (por ejemplo, H2O.ai, Google AutoML, TPOT)
Comparación y Adecuación para Diferentes Casos de Uso
• Beneficios y Limitaciones de AutoML
Mejoras en Eficiencia y Escalabilidad
Desafíos en AutoML, Incluyendo el Sesgo y la Interpretabilidad
• Futuro de AutoML
Tendencias Emergentes e Innovaciones
Impacto Potencial en Diversas Industrias
AutoML y Colaboración Humano-Máquina
• Desafíos Reales y Consideraciones
Problemas de Calidad y Disponibilidad de Datos
Integración con Sistemas Existentes
Preocupaciones Éticas y Regulatorias
• Taller Práctico
Implementación de una Solución de AutoML
Interpretación de Resultados de AutoML
• Conclusión y Puntos Clave
Resumen del Aprendizaje
Discusión sobre el Futuro de AutoML
• Recursos Adicionales y Lecturas Recomendadas
Artículos y Documentos Recomendados
Enlaces a Herramientas y Plataformas de AutoML

Asignaturas

Ciencia de datos