Introduction to Machine Learning: Art of the Possible (Indonesian)

Aperçu

Ce cours numérique est conçu pour aider les décideurs commerciaux à comprendre les fondamentaux de l'apprentissage machine (ML).

• Niveau du cours :

  Débutant

• Durée :

  30 minutes

Remarque :

Ce cours dispose d'une transcription/sous-titres locaux. La narration est en anglais.

Pour afficher les sous-titres, cliquez sur le bouton CC en bas à droite du lecteur.

Activités

Ce cours comprend des présentations, des vidéos et une évaluation des connaissances.

Objectifs du cours

Dans ce cours, vous apprendrez :

• Comprendre les bases de l'apprentissage machine pour aider à évaluer les avantages et les risques associés à l'adoption du ML dans divers cas d'utilisation commerciale

Public cible

Ce cours s'adresse à :

• Les dirigeants d'entreprise non techniques et autres décideurs commerciaux qui participent ou vont participer à des projets de ML
• Les participants aux programmes AWS Machine Learning Embark et aux ateliers de découverte du Machine Learning Solutions Lab (MLSL)

Prérequis

Il est recommandé que les participants à ce cours aient :

• Des connaissances de base en informatique et systèmes informatiques
• Quelques notions de base sur les concepts de l'apprentissage machine

Plan du cours

Module 1 :

Comment l'apprentissage machine peut-il aider ?

• Définir l'intelligence artificielle
• Définir l'apprentissage machine
• Expliquer les différents domaines d'activité impactés par l'apprentissage machine
• Expliquer la boucle de rétroaction positive (flywheel) qui soutient les projets ML
• Expliquer le potentiel de l'apprentissage machine dans les marchés sous-exploités

Module 2 :

Comment fonctionne l'apprentissage machine ?

• Expliquer l'intelligence artificielle
• Expliquer la différence entre l'intelligence artificielle et l'apprentissage machine

Module 3 :

Quels sont les problèmes potentiels de l'apprentissage machine ?

• Expliquer la différence entre les modèles simples et complexes
• Comprendre les problèmes d'explicabilité et d'incertitude des modèles d'apprentissage machine

Module 4 :

Conclusion

Sujets