Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Schița de curs
Introducere
- Diferența dintre învățarea statistică (analiza statistică) și învățarea automată
- Adoptarea tehnologiei de învățare automată și a talentelor de către companiile financiare și bancare
Diferite tipuri de Machine Learning
- Învățare supravegheată vs învățare nesupravegheată
- Iterație și evaluare
- Compensație părtinire-varianță
- Combinarea învățării supravegheate și nesupravegheate (învățare semi-supravegheată)
Machine Learning Languages și Seturi de instrumente
- Open source vs sisteme și software proprietar
- Python vs R vs Matlab
- Biblioteci și cadre
Machine Learning Studii de caz
- Date despre consumatori și date mari
- Evaluarea riscului în creditele de consum și afaceri
- Îmbunătățirea serviciului pentru clienți prin analiza sentimentelor
- Detectarea fraudelor de identitate, a fraudei de facturare și a spălării banilor
Practic: Python pentru Machine Learning
- Pregătirea mediului de dezvoltare
- Obținerea Python biblioteci și pachete de învățare automată
- Lucrul cu scikit-learn și PyBrain
Cum se încarcă Machine Learning Date
- Databases, depozite de date și date în flux
- Stocare și procesare distribuite cu Hadoop și Spark
- Date exportate și Excel
Modelare Business Decizii cu învățare supravegheată
- Clasificarea datelor dvs. (clasificare)
- Utilizarea analizei de regresie pentru a prezice rezultatul
- Alegerea dintre algoritmii de învățare automată disponibili
- Înțelegerea algoritmilor arborelui de decizie
- Înțelegerea algoritmilor de pădure aleatoare
- Evaluarea modelului
- Exercițiu
Analiza de regresie
- Regresie liniara
- Generalizări și neliniaritate
- Exercițiu
Clasificare
- Reîmprospătare bayesiană
- Bayes naiv
- Regresie logistică
- K-Cei mai apropiați vecini
- Exercițiu
Practic: construirea unui model de estimare
- Evaluarea riscului de creditare pe baza tipului de client și a istoricului
Evaluarea performanței algoritmilor Machine Learning.
- Validare încrucișată și reeșantionare
- Bootstrap agregare (însacare)
- Exercițiu
Modelare Business Decizii cu învățare nesupravegheată
- Când seturile de date eșantion nu sunt disponibile
- K înseamnă grupare
- Provocările învățării nesupravegheate
- Dincolo de mijloacele K
- Rețele Bayes și modele ascunse Markov
- Exercițiu
Practic: construirea unui sistem de recomandare
- Analizarea comportamentului clienților din trecut pentru a îmbunătăți noile oferte de servicii
Extinderea capacităților companiei dvs
- Dezvoltarea modelelor în cloud
- Accelerarea învățării automate cu GPU
- Aplicarea Deep Learning rețelelor neuronale pentru vederea computerizată, recunoașterea vocii și analiza textului
Observații de încheiere
Cerințe
- Experiență cu programarea Python
- Familiaritate de bază cu statistica și algebra liniară
21 ore