Présent et avenir de l'AutoML - Cas d'utilisation concrets sur le terrain industriel

Aperçu

Discover how AutoML technology evolved from a buzzword to an essential industrial tool, exploring its current applications and future challenges at SK Group through real-world implementation cases.

Programme

• Introduction au cours
Aperçu de l'AutoML
Objectifs et résultats du cours
Pertinence de l'AutoML dans l'industrie
• Évolution de l'AutoML
Perspective historique sur l'AutoML
Développements clés et étapes significatives
Transition du concept à l'outil pratique
• Concepts fondamentaux de l'AutoML
Prétraitement automatisé des données
Sélection de modèles et ajustement des hyperparamètres
Ingénierie et sélection des caractéristiques
• Applications industrielles actuelles de l'AutoML
Analyse de cas : Mise en œuvre de l'AutoML par le groupe SK
AutoML pour l'analytique prédictive dans la fabrication
Amélioration de la personnalisation client et des insights
• Outils et cadres pour l'AutoML
Aperçu des principaux outils AutoML (par exemple, H2O.ai, Google AutoML, TPOT)
Comparaison et pertinence pour différents cas d'utilisation
• Avantages et limites de l'AutoML
Améliorations de l'efficacité et de l'évolutivité
Défis de l'AutoML, y compris le biais et l'interprétabilité
• Avenir de l'AutoML
Tendances émergentes et innovations
Impact potentiel sur diverses industries
Collaboration homme-machine avec l'AutoML
• Défis et considérations du monde réel
Problèmes de qualité et disponibilité des données
Intégration avec les systèmes existants
Préoccupations éthiques et réglementaires
• Atelier pratique
Mise en œuvre d'une solution AutoML
Interprétation des résultats de l'AutoML
• Conclusion et principaux points à retenir
Résumé des apprentissages
Discussion sur la voie future de l'AutoML
• Ressources supplémentaires et lectures complémentaires
Articles et documents recommandés
Liens vers les outils et plateformes AutoML

---

Matières

Data Science