Machine Learning Essentials for Business and Technical Decision Makers (Thai)

คำอธิบายหลักสูตร

ในหลักสูตรสามรายวิชานี้ คุณจะได้เรียนรู้เกี่ยวกับแนวทางปฏิบัติที่ดีที่สุดและคำแนะนำสำหรับแมชชีนเลิร์นนิ่ง (ML) ตัวรายวิชาจะสำรวจวิธีการวางโรดแมปสำหรับการบูรณาการ ML เข้ากับกระบวนการทางธุรกิจของคุณ สำรวจข้อกำหนดเพื่อพิจารณาว่า ML เป็นโซลูชันที่เหมาะสมกับปัญหาทางธุรกิจหรือไม่ และอธิบายว่าองค์ประกอบใดที่จำเป็นสำหรับการนำ ML มาใช้ในองค์กรให้ประสบความสำเร็จ

• ระดับหลักสูตร: พื้นฐาน

• ระยะเวลา: 90 นาที

กิจกรรมต่างๆ

หลักสูตรนี้ประกอบด้วยรายวิชาต่างๆ พร้อมการนำเสนอ วิดีโอ และการทดสอบความรู้

วัตถุประสงค์ของหลักสูตร

ในหลักสูตรนี้ คุณจะได้เรียนรู้สิ่งต่างๆ ดังนี้:

• เข้าใจหลักการพื้นฐานของแมชชีนเลิร์นนิ่งเพื่อช่วยประเมินประโยชน์และความเสี่ยงที่เกี่ยวข้องกับการนำ ML ไปใช้ในเหตุผลทางธุรกิจต่างๆ

• ระบุข้อมูล เวลา และข้อกำหนดการผลิตสำหรับโปรเจกต์ ML ที่ประสบความสำเร็จ

• อธิบายวิธีการปรับองค์กรให้บรรลุผลสำเร็จอย่างยั่งยืนโดยใช้ ML

กลุ่มเป้าหมาย

เนื้อหาหลักสูตรนี้สร้างขึ้นสำหรับ:

• ผู้นำธุรกิจที่ไม่มีความรู้ทางเทคนิคและผู้มีอำนาจตัดสินใจทางธุรกิจอื่นๆ ที่เข้าร่วมหรือจะเข้าร่วมในโปรเจกต์ ML

• ผู้เข้าร่วมโปรแกรม AWS Machine Learning Embark และเวิร์กช็อปการค้นพบ Machine Learning Solutions Lab (MLSL)

ข้อกำหนดเบื้องต้น

เราขอแนะนำว่าผู้เข้าร่วมการอบรมหลักสูตรนี้ควรได้เรียนเรื่องเหล่านี้มาก่อน:

• ความรู้เบื้องต้นเกี่ยวกับคอมพิวเตอร์และระบบคอมพิวเตอร์

• ความรู้พื้นฐานบางประการเกี่ยวกับแนวคิดแมชชีนเลิร์นนิ่ง

รายละเอียดหลักสูตร

วิชาที่ 1: ความรู้เบื้องต้นเกี่ยวกับแมชชีนเลิร์นนิ่ง: ศิลปะแห่งความเป็นไปได้

โมดูลที่ 1. แมชชีนเลิร์นนิ่งจะช่วยได้อย่างไร

• นิยามแมชชีนเลิร์นนิ่ง

• อธิบายวงจรป้อนกลับเชิงบวก (วงล้อ) ที่ขับเคลื่อนโปรเจกต์ ML

• อธิบายโดเมนธุรกิจต่างๆ ที่ได้รับผลกระทบจากแมชชีนเลิร์นนิ่ง

• อธิบายศักยภาพของแมชชีนเลิร์นนิ่งในตลาดที่นำแมชชีนเลิร์นนิ่งมาใช้ประโยชน์น้อย

โมดูลที่ 2. แมชชีนเลิร์นนิ่งทำงานอย่างไร

• อธิบายปัญญาประดิษฐ์

• อธิบายความแตกต่างระหว่างปัญญาประดิษฐ์กับแมชชีนเลิร์นนิ่ง

โมดูลที่ 3. ปัญหาที่อาจเกิดขึ้นกับแมชชีนเลิร์นนิ่งมีอะไรบ้าง

• อธิบายความแตกต่างระหว่างโมเดลแบบง่ายกับแบบซับซ้อน

• เข้าใจปัญหาเรื่องความไม่สามารถอธิบายได้และความไม่แน่นอนของโมเดลแมชชีนเลิร์นนิ่ง

โมดูลที่ 4. สรุป

วิชาที่ 2: การวางแผนโปรเจกต์แมชชีนเลิร์นนิ่ง

โมดูลที่ 1. โซลูชันแมชชีนเลิร์นนิ่งเหมาะสำหรับปัญหาของฉันหรือไม่

• อธิบายวิธีพิจารณาว่า ML เป็นโซลูชันที่เหมาะสมกับปัญหาทางธุรกิจของคุณหรือไม่

โมดูลที่ 2. ข้อมูลของฉันพร้อมสำหรับแมชชีนเลิร์นนิ่งหรือไม่

• อธิบายกระบวนการตรวจสอบให้แน่ใจว่าข้อมูลของคุณพร้อมสำหรับ ML

โมดูลที่ 3. แมชชีนเลิร์นนิ่งส่งผลกระทบต่อไทม์ไลน์ของโปรเจกต์อย่างไร

• อธิบายว่า ML ส่งผลกระทบต่อไทม์ไลน์ของโปรเจกต์ได้อย่างไร

โมดูลที่ 4. คำถามแรกๆ ที่ฉันควรถามในการปรับใช้งานคืออะไรบ้าง

• ระบุคำถามที่จะถามที่ส่งผลต่อการปรับใช้งาน ML

โมดูลที่ 5. สรุป

วิชาที่ 3: การสร้างองค์กรที่พร้อมสำหรับแมชชีนเลิร์นนิ่ง

โมดูลที่ 1. ฉันจะเตรียมองค์กรสำหรับการใช้ ML ได้อย่างไร

• ฉันจะเตรียมองค์กรสำหรับการใช้ ML ได้อย่างไร

• AWS ช่วยฉันได้อย่างไร

• มีกลยุทธ์อื่นใดอีกบ้างที่ฉันสามารถนำมาใช้เพื่อให้องค์กรประสบความสำเร็จ

• วิธีการเปลี่ยนแปลงทางวัฒนธรรมใดที่เหมาะสำหรับองค์กรของฉัน

โมดูลที่ 2. ฉันจะประเมินกลยุทธ์ข้อมูลได้อย่างไร

• ฉันจะประเมินกลยุทธ์ข้อมูลได้อย่างไร

• ฉันจะปรับปรุงกลยุทธ์ข้อมูลได้อย่างไร

โมดูลที่ 3. ฉันจะสร้างวัฒนธรรมการเรียนรู้และการทำงานร่วมกันได้อย่างไร

• ฉันจะสร้างวัฒนธรรมการเรียนรู้และการทำงานร่วมกันได้อย่างไร

• นักวิทยาศาสตร์ข้อมูลคืออะไร

• นักวิทยาศาสตร์ข้อมูลควรมีทักษะใดบ้าง

• ทีมนำร่อง ML มีลักษณะอย่างไร

• ฉันต้องมีบทบาทสนับสนุนอะไรอีกบ้าง

• ความรับผิดชอบหลักคืออะไร

โมดูลที่ 4. ฉันจะเริ่มต้นประสบการณ์ใช้งาน ML ได้อย่างไร

• ฉันจะเริ่มต้นประสบการณ์ใช้งาน ML ได้อย่างไร

• ประสบการณ์ใช้งาน ML ขององค์กรมีลักษณะอย่างไร

• ตัวอย่างเหตุผลทางธุรกิจสำหรับความก้าวหน้าขององค์กรคืออะไร

โมดูลที่ 5. สรุป