Low-code AI

Adoptez une approche axée sur les données et orientée vers les cas d'utilisation pour comprendre les concepts d'apprentissage automatique et d'apprentissage profond avec l'IA low-code. Ce guide pratique présente trois manières centrées sur les problèmes d'apprendre le ML : sans code avec AutoML, low-code avec BigQuery ML, et code personnalisé avec scikit-learn et Keras. Vous apprendrez les concepts clés du ML en utilisant des ensembles de données réels avec des problèmes réalistes. Les analystes commerciaux et de données bénéficient d'une introduction par projet au ML/IA grâce à une approche détaillée et axée sur les données : chargement et analyse des données, alimentation des données dans un modèle ML, construction, formation et test, et déploiement du modèle en production. Les auteurs Michael Abel et Gwendolyn Stripling vous montrent comment construire des modèles d'apprentissage automatique pour le commerce de détail, la santé, les services financiers, l'énergie et les télécommunications. Vous apprendrez à : distinguer les données structurées et non structurées et comprendre les différents défis qu'elles présentent, visualiser et analyser des données, prétraiter des données pour les entrer dans un modèle d'apprentissage automatique, différencier les modèles d'apprentissage supervisé de régression et de classification, comparer différents types et architectures de modèles d'apprentissage automatique, du sans code au low-code en passant par la formation personnalisée, concevoir, mettre en œuvre et ajuster des modèles ML, et exporter des données vers un dépôt GitHub pour la gestion et la gouvernance des données.