Hírek

Olvasd el legújabb híreinket

"A versenytársainknak semmiképpen sem ajánlanám a képzést, nehogy elhúzzanak tőlünk :D Viccet félretéve, olyan embereknek ajánlom ezt a képzést, akik szívesen foglalkoznak vagy foglalkoznának adatelemzéssel, de eddig még nem voltak benne biztosak, hogyan és miként kezdjenek hozzá ennek a szerteágazó területnek a felfedezéséhez."...

Elolvasom

Automatizálás és Machine Learning

Olvasási idő: ~ 3 perc

A machine learning (magyarul gépi tanulás) előszobájában az automatizálásról beszélgettünk az AI Strategy & Data-driven Leadership Képzés 4. alkalmán. Egy sikeres gyakorlati példát hozott el nekünk a GE-től Hegyesi Gábor, melyben a következő kérdésekre kaptunk választ:

  • Vajon mit válthatunk ki mesterséges intelligencia megoldásokkal? Hogy történt ez a GE-nél?
  • Hogyan automatizáljuk üzleti folyamatainkat és tesszük hatékonyabbá mindennapi munkánkat?
  • Miként lehet olyan IT megoldásokat bevezetni, amik tényleg működnek a napi operációban.
  • Mi hogyan fejlesztjük a saját tehetségeinket, hogy a napi operációs folyamat ismerete mellé, felépítsék a robotizáláshoz szükséges IT ismereteket is?

 

“Cross-Industry Standard Process for Data Mining” modell – Kulcs az adatvezérelt döntéshozáshoz

Olvasási idő: ~ 5 perc

Az adatelemzés és adatvezérelt döntéshozás témakörét vettük át mélyebb részletekbe merülve az AI Strategy & Data-Driven Leadership képzés harmadik kurzusán, melybe Szalai Ferenc, Tóth C. Zoltán, Szatmári Tamás és Byssz Róbert kalauzolt el minket.

Ahogyan gazdaságunk napjainkban egyre inkább válik tudásvezéreltté, fontos szerepük van a nem kézzelfogható erőforrásoknak, így például a tudásnak. A tudás egyik explicit forrása lehet az adatok rendelkezése állása. A rendelkezésre álló vállalati adatvagyon hasonlóan kezelhető. Az adatelemzés lépéseit az ún. “CRISP-DM” modell (Cross-Industry Standard Process for Data Mining), ma már iparági standard folyamat hat ciklusán vezethetjük végig, melyek a következők:

  1. Szervezeti megértés (ötlet, feltételezés, probléma definiálása)
  2. Adatmegértés (adattisztítás, adattranszformáció)
  3. Adatelőkészítés
  4. Modellezés
  5. Kiértékelés (hitelesítés, eredmények bemutatása, döntés)
  6. Alkalmazás

“Az üzleti és magánélet során is elmondható, hogy döntéseink akkor igazán hatékonyak, ha nem csupán szubjektív értékek alapján hozzuk meg azokat, hanem tényekkel is alá tudjuk őket támasztani - itt válik szükségessé az adatok megléte.” Ismerd meg hallgatónk beszámolóját AI Strategy & Data-Driven Leadership képzésünk első alkalmáról:...

Elolvasom