Low-code AI

Gehen Sie mit einem datengestützten und anwendungsorientierten Ansatz an das Verständnis von Konzepten des maschinellen Lernens und des tiefen Lernens mit Low-Code-KI. Dieser praxisorientierte Leitfaden präsentiert drei problemorientierte Möglichkeiten, ML zu lernen: ohne Code mit AutoML, mit Low-Code über BigQuery ML und mit benutzerdefiniertem Code unter Verwendung von scikit-learn und Keras. Sie lernen wichtige ML-Konzepte anhand von realen Datensätzen mit realistischen Problemen. Geschäfts- und Datenanalysten erhalten eine projektbasierte Einführung in ML/AI mit einem detaillierten, datengestützten Ansatz: Daten laden und analysieren, Daten in ein ML-Modell einspeisen, das Modell erstellen, trainieren und testen sowie das Modell in die Produktion überführen. Die Autoren Michael Abel und Gwendolyn Stripling zeigen Ihnen, wie Sie maschinelle Lernmodelle für den Einzelhandel, das Gesundheitswesen, Finanzdienstleistungen, Energie und Telekommunikation erstellen. Sie lernen, wie Sie: strukturierte und unstrukturierte Daten unterscheiden und die unterschiedlichen Herausforderungen verstehen, die sie mit sich bringen, Daten visualisieren und analysieren, Daten für die Eingabe in ein maschinelles Lernmodell vorverarbeiten, zwischen Regressions- und Klassifikationsmodellen des überwachten Lernens unterscheiden, verschiedene Typen und Architekturen von maschinellen Lernmodellen vergleichen, von No-Code über Low-Code bis hin zu benutzerdefiniertem Training, ML-Modelle entwerfen, implementieren und optimieren sowie Daten in ein GitHub-Repository für Datenmanagement und Governance exportieren.