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

via AWS Skill Builder

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