Paikka

Jyväskylän Paviljonki, Lutakonaukio 12, tila K309 Gustaf. Osallistujat käyttävät koulutuksessa omia kannettaviaan. Ohjelmistona käytetään RapidMinerin ilmaisversiota, joka on kaikkien ladattavissa.

Tausta

Machine Learning ja tekoälyratkaisut yleistyvät nopealla vauhdilla. Niiden avulla esimerkiksi tehostetaan liiketoimintaprosesseja, optimoidaan tuotantoa ja päätöksentekoa sekä ennustetaan erilaisia tulevaisuusskenaarioita. Kyseessä ei ole enää hype, sillä jokainen meistä jo käyttää kuluttajan roolissa ratkaisuja, joita älykkäät algoritmit pyörittävät.

Tämän kurssin tarkoituksena on esitellä erilaisia Machine Learning ja tekoälyratkaisuja, niiden taustalla olevaa teoriaa ylätasolla sekä oppia itse tekemään ennustemalleja Machine Learning algoritmeilla. Näillä taidoilla voi sitten jatkaa itsenäistä opiskelua kurssin jälkeen.

Kohderyhmä

Kurssi on tarkoitettu henkilöille, jotka haluavat ymmärtää Machine Learning ja tekoälyratkaisuiden liiketoimintapotentiaalia sekä kokeilla itse hands-on tekemistä tällä osa-alueella. Kurssi ei vaadi varsinaisesti esitietoja tai koodaustaitoja, mutta ymmärrys tilastollisten menetelmien ja datan hyödyntämisestä on avuksi.

Toteutustapa

Luennot, esimerkit, käytännön harjoitukset. Suurin osa koulutuksen ajasta käytetään hands-on-työskentelyyn.

Hinta

Koulutuksen hinta riippuu sen osallistujamäärästä. Koulutuksen tiedoissa esitetty sopimuskumppanin hinta 770 € + alv on laskettu 6 osallistujalle.

Osallistujamäärän noustessa laskemme hintaa seuraavalla tavalla:
7 osallistujaa: 710 € + alv
8 osallistujaa: 650 € +alv
9 osallistujaa: 600 € +alv
10- osallistujaa: 570 € + alv

Koulutuksen (suuntaa-antava) aikataulu

8.30–8.50	Aamukahvi
8.50–11.30	Koulutus
11.30–12.15	Lounas
12.15–14.00	Koulutus
14.00–14.15	Iltapäiväkahvi
14.15–16.15	Koulutus

Koulutuksen sisältö

Päivä 1: Yleistietoa, esimerkkejä, demoja ja tekemisen aloitus

• Datan hyödyntämisen evoluutio – raporteista tekoälyratkaisuihin
• Käytännön esimerkkejä, kokemuksia ja demoja Machine Learning ja tekoälyratkaisuista
• Machine Learning perustiedot ja menetelmät
• Liiketoimintaongelman määrittely ja muut CRISP-DM vaiheet
• Machine Learning menetelmien soveltaminen käytännössä
• Ongelman määrittely
• Aineiston sisäänluku ja esikäsittely
• Aineiston analysointi (data-analyysi)
• Aineiston visualisointi
• Yhteenveto päivän opinnoista

Päivä 2: Machine Learning menetelmien itsenäinen hyödyntäminen

• Korrelaatioiden tutkiminen aineistossa
• Yksinkertaisten sääntöpuiden rakentaminen datasta
• Aineiston segmentointi klusterointialgoritmeilla
• Satunnaisotannan toteutus aineistosta
• Erilaisten ennustemenetelmien soveltaminen (Naive Bayes, Decision Tree, Logistic Regression, Random Forest ja Neural networks). Kokeillaan eri vaihtoehtoja.
• Ristiinvalidoinnin toteuttaminen
• Tulosten tarkastelu ja analysointi

Kouluttajat

Lasse Liukkosella (FM, matematiikka ja tilastotiede) on laajasti kokemusta eri analytiikkaohjelmistojen soveltamisesta käytännössä. R:ää hän on käyttänyt aktiivisesti 10 vuoden ajan. Lasse työskentelee data scientistinä analytiikkayritys Louhiassa.

Mika Laukkanen on ollut mukana BI- ja analytiikkaprojekteissa yli 15 vuoden ajan. Hän on konsultoinut useita kymmeniä yrityksiä ja organisaatioista, joiden tavoitteena on ollut liiketoimintatiedon tehokas ja tuottava käyttö liiketoiminnassa. Tällä hetkellä Mika toimii yrittäjänä ja vetäjänä BI- ja Data Science ratkaisuihin erikoistuneessa Louhia Consulting Oy:ssä.