Read the Official Description

VISÃO GERAL

O aprendizado de máquina está tendo efeitos profundos em muitos setores diferentes, desde serviços financeiros a varejo e publicidade. Está rapidamente se tornando uma ferramenta fundamental para tomar melhores decisões nos negócios - decisões orientadas por dados, não por intuição ou por adivinhação.

Hoje, toda empresa tem acesso a uma grande quantidade de dados, sejam dados operacionais, dados de clientes, dados de terceiros ou dados de fornecedores. A questão para os tomadores de decisão é: como posso usar esses dados para fazer previsões informadas, agir e avaliar os resultados para futuras tomadas de decisão?

O Massachusetts Institute of Technology (MIT) está na vanguarda da pesquisa e prática para esse campo emergente da ciência de dados. O professor Devavrat Shah, que lidera o Departamento de Estatística e Ciência de Dados no MIT, leva os alunos a um mergulho profundo sobre o que é possível com o aprendizado de máquina.

Este programa on-line dá uma olhada no aprendizado de máquina através de uma lente de aplicações práticas e não requer nenhum pré-requisito em termos de matemática ou ciências computacionais, embora alguma experiência básica com estatísticas seja útil. Ele é projetado especificamente para tomadores de decisão que desejam desenvolver uma vantagem competitiva, aproveitando o poder do aprendizado de máquina.

Independentemente de onde você esteja no espectro da adoção de aprendizado de máquina e, mais amplamente, da inteligência artificial, esse programa on-line oferece a última palavra em liderança em ferramentas e técnicas de aprendizado de máquina.

Os gastos com inteligência artificial e aprendizado de máquina devem crescer de US $ 12 bilhões em 2017 para US $ 57,6 bilhões até 2021, de acordo com a International Data Corporation (IDC).

PARA QUEM É ESTE PROGRAMA?

Tomadores de decisão em todas as funções técnicas e de negócios obterão um entendimento prático das ferramentas e técnicas usadas em aplicativos de aprendizado de máquina para empresas. Exemplos de varejo, e-commerce, serviços financeiros, saúde, mídia social, publicidade, tecnologia, jogos e produtos farmacêuticos estão incluídos neste programa on-line. No entanto, os participantes de todas as indústrias e setores encontrarão esses exemplos relevantes.

Equipes funcionais e interfuncionais são incentivadas a participar juntas para acelerar o processo de adoção de aprendizado de máquina.

SUA VIAGEM DE APRENDIZAGEM

O programa leva você através de uma progressão dos quatro blocos de aprendizagem de máquina. Além do conhecimento prático que você obterá com as palestras em vídeo, você aprenderá com webinars ao vivo com professores, discussões entre colegas, estudos de caso, tarefas e questionários. Ao longo da jornada, existem facilitadores de aprendizado de máquina da vida real para fornecer orientação e esclarecimento. No final do programa, você deve estar preparado para aplicar algumas dessas técnicas em sua própria organização.

Entendendo dados

  • Visualizando unidimensional
  • Usando modelos PCA, Cluster, K-Means e Topic
  • Dados estruturados versus não estruturados

Predição

  • Aprendizagem Supervisionada
  • Regressão
  • Classificação
  • Redes neurais

Tomando uma decisão

  • Decisão ótima na presença de incerteza
  • Ambiente dinâmico versus estático
  • Taxa de informação alta a baixa
  • Usando o Modelo de Controle Preditivo, Processo de Decisão de Markov, Bandido Multi-Armado e Aprendizado de Reforço

Inferência causal

  • Relação de Causa e Efeito
  • Design de Experiência Pensativa
  • Controle Aleatório
  • Testando hipóteses
  • Controle Sintético
  • Previsão de séries temporais

Nota: O MIT Professional Education se reserva o direito de alterar o currículo e a entrega do programa para melhorar a experiência do participante.

O QUE VOCÊ APRENDERÁ

As ferramentas e técnicas deste programa de aprendizado de máquina podem ajudar a resolver muitos desafios comuns de negócios. Aprenda com exemplos de:

BANCÁRIO

Como você prevê se um tomador de empréstimo será inadimplente em um empréstimo?

MARKETING

Como você sabe qual canal de marketing tem melhor desempenho e qual é o efeito de interação quando está usando vários canais?

FINANÇA

Como os cientistas de dados estão explorando maneiras de prever o preço futuro dos ativos digitais, como o Bitcoin?

FARMACÊUTICA

Ao desenvolver novos medicamentos, como você pode projetar melhores experiências para saber se um novo medicamento será mais eficaz do que um já existente?

VAREJO

Para otimizar seu inventário, como você sabe se deve comprar de um centro de distribuição ou de uma loja de varejo para realizar um pedido on-line?

COMÉRCIO ELETRÔNICO

Como você decide quando fazer o cross-market versus vender um cliente no caixa? O que gera mais receita?

MÓDULOS DO PROGRAMA

Módulo 1: Introdução e Visão Geral do Aprendizado de Máquina

Visão geral dos quatro blocos de aprendizado de máquina:

  • Entendendo os dados: o que isso está nos dizendo?
  • Previsão: o que vai acontecer?
  • Tomada de decisão: o que fazer?
  • Inferência causal: Funcionou?

Módulo 2: Entendendo seus dados

Aprenda as características básicas dos conjuntos de dados e identifique as ferramentas e visualizações estatísticas eficazes para obter informações dos seus dados.

  • Faça as perguntas certas sobre os dados
  • Saiba quais ferramentas usar para desbloquear insights
  • Como a visualização de dados esclarece os dados

Aplicação: Wikipedia e Marketplaces Online, Amazon e Etsy.

Módulo 3: Predição Parte 1 - Regressão

Entenda o conceito básico de regressão linear e como ele pode ser usado com dados históricos para construir modelos que possam prever resultados futuros.

  • Como construir um modelo que se adapte melhor aos seus dados
  • Como quantificar o grau de sua incerteza
  • O que fazer quando você não tem dados suficientes
  • O que está além da regressão linear

Aplicação: Projetando uma campanha de marketing.

Módulo 4: Predição Parte 2 - Classificação

A classificação é usada para prever resultados que se enquadram em duas ou mais categorias, como: masculino / feminino, sim / não ou vermelho / azul / verde.

  • Compare a capacidade de diferentes métodos para minimizar erros de previsão
  • Faça previsões melhores, com base nos seus dados e no resultado desejado
  • Use as abordagens corretas para lidar com a complexidade dos dados

Aplicação: Filtros de spam, detecção de conexões de rede mal-intencionadas e previsão de inadimplência de crédito entre tomadores de empréstimo.

Módulo 5: Predição Parte 3 - Redes Neurais

As redes neurais são muito parecidas com as redes do cérebro humano. Eles são usados ​​no aprendizado de máquina para modelar relações complexas entre entradas e saídas e para encontrar padrões em dados.

  • O que são redes neurais e como elas funcionam?
  • Explore a história e exemplos de redes neurais simples e complexas
  • Como as redes neurais minimizam erros, independentemente do tamanho do seu conjunto de dados

Aplicativo: aprimorando a pesquisa on-line em sites de comércio eletrônico.

Módulo 6: Fundamentos de Tomada de Decisão

A tomada de decisão consiste em selecionar a decisão ou ação “ótima” na presença de incerteza, que todos os líderes técnicos e de negócios enfrentam regularmente.

  • Saiba como as decisões que você toma afetam o futuro imediato e além
  • Escolha a abordagem correta com base no ambiente, na taxa de fluxo de informações e no seu objetivo
  • Atingir o equilíbrio entre a exploração (identificando o que ainda não sabemos) com a exploração (usando o que já sabemos)

Aplicação: planejamento de varejo, design do site e criação de um jogador de xadrez perfeito.

Módulo 7: Aplicações para tomada de decisão

Concentre-se em muitas das aplicações práticas da tomada de decisões, de situações estáticas a dinâmicas.

  • Saiba como fazer recomendações em tempo real para os clientes impulsionarem mais negócios
  • Aprenda como alcançar o gerenciamento ideal de estoque
  • Veja como os cientistas de dados estão explorando maneiras de prever o preço futuro dos ativos digitais, como o Bitcoin

Aplicação: Decidir sobre rotas para trabalhar e decidir como investir em ambientes que mudam rapidamente.

Módulo 8: Inferência Causal

A inferência casual é sobre entender a relação entre causa e efeito.

  • Dado um conjunto de observações, identifique o que causou essas observações
  • Aprenda a projetar experimentos que forneçam conclusões significativas

Aplicação: Avalie se os cupons de desconto causaram vendas mais altas de determinados produtos ou se algum fator externo, como uma economia melhorada, foi o motivo para o aumento das vendas.

CERTIFICADO

Seja reconhecido! Após a conclusão bem-sucedida do programa, o MIT Professional Education concede um certificado de conclusão aos participantes. Este programa é classificado como um passe ou falha; os participantes devem receber 80% para passar e obter o certificado de conclusão.

4.8 Unidades de Educação Continuada Concedidas

PRÊMIO ESPECIAL REALIZAÇÃO

Prêmio MIT Educação Profissional Hidrante

Dizem que estudar com o MIT é como beber de uma mangueira de incêndio - intensa, imensamente satisfatória. Para os participantes que demonstrarem liderança indo além e acima no programa, eles receberão o cobiçado Prêmio Hidrante de Fogo. Este prêmio pode ser exibido em biografias profissionais, como no LinkedIn. As decisões são tomadas pelos professores e facilitadores do programa MIT com base na participação e nos comportamentos que exemplificam a liderança excepcional e a contribuição para a experiência geral do programa para a coorte.

FATOS PRINCIPAIS

  • DURAÇÃO: 2 meses, online 6-8 horas / semana
  • TAXAS DE PROGRAMA: US $ 1.950
Program taught in:
Inglês
Last updated November 12, 2018
Este curso é Online
Start Date
Maio 30, 2019
Duration
2 meses
Price
2,250 USD
Deadline
Maio 27, 2019
Application Deadline - 3 days prior to course start date.
By locations
By date
Start Date
Maio 30, 2019
End Date
Application deadline
Maio 27, 2019
Application Deadline - 3 days prior to course start date.

Maio 30, 2019

Location
Application deadline
Maio 27, 2019
Application Deadline - 3 days prior to course start date.
End Date