Low-code AI

Adotta un approccio basato sui dati e guidato dai casi d'uso per comprendere i concetti di machine learning e deep learning con l'AI low-code. Questa guida pratica presenta tre modi focalizzati sui problemi per apprendere il ML: senza codice utilizzando AutoML, low-code utilizzando BigQuery ML e codice personalizzato utilizzando scikit-learn e Keras. Imparerai i concetti chiave del ML utilizzando set di dati reali con problemi realistici. Gli analisti aziendali e dei dati ricevono un'introduzione pratica al ML/AI attraverso un approccio dettagliato e basato sui dati: caricamento e analisi dei dati, alimentazione dei dati in un modello ML, costruzione, addestramento e test, e distribuzione del modello in produzione. Gli autori Michael Abel e Gwendolyn Stripling ti mostrano come costruire modelli di machine learning per il commercio al dettaglio, la sanità, i servizi finanziari, l'energia e le telecomunicazioni. Imparerai a: distinguere tra dati strutturati e non strutturati e comprendere le diverse sfide che presentano, visualizzare e analizzare i dati, preprocessare i dati per l'input in un modello di machine learning, differenziare tra i modelli di apprendimento supervisionato di regressione e classificazione, confrontare diversi tipi e architetture di modelli di machine learning, dal no code al low-code fino all'addestramento personalizzato, progettare, implementare e ottimizzare i modelli di ML, e esportare i dati in un repository GitHub per la gestione e la governance dei dati.