Low-code AI

Adotta un approccio orientato ai dati e ai casi d'uso per comprendere i concetti di machine learning e deep learning con l'AI low-code. Questa guida pratica presenta tre modi per imparare il ML: senza codice con AutoML, a basso codice con BigQuery ML e con codice personalizzato con scikit-learn e Keras. Imparerai i concetti chiave del ML utilizzando set di dati reali con problemi realistici. Gli analisti di business e di dati possono contare su un'introduzione al ML/AI basata su un progetto e su un approccio dettagliato e guidato dai dati: caricamento e analisi dei dati, alimentazione dei dati in un modello ML, costruzione, addestramento e test e implementazione del modello in produzione. Gli autori Michael Abel e Gwendolyn Stripling ti mostrano come costruire modelli di apprendimento automatico per la vendita al dettaglio, la sanità, i servizi finanziari, l'energia e le telecomunicazioni. Imparerai a: Distinguere i dati strutturati e non strutturati e comprendere le diverse sfide che presentano Visualizzare e analizzare i dati Preelaborare i dati per inserirli in un modello di apprendimento automatico Differenziare i modelli di apprendimento supervisionato di regressione e classificazione Confrontare i diversi tipi di modelli di apprendimento automatico e le architetture, dall'assenza di codice, al low-code, alla formazione personalizzata Progettare, implementare e mettere a punto i modelli di ML Esportare i dati in un repository GitHub per la gestione e la governance dei dati.