Schița de curs
Introducere
- Diferența dintre învățarea statistică (analiza statistică) și învățarea automată
- Adoptarea tehnologiei și a talentelor de învățare automată de către companiile din domeniul financiar și bancar
Diferite Tipuri de Învățare Automată
- Învățare supervizată vs învățare nesupervizată
- Iterație și evaluare
- Compromisul bias-varianță
- Combinarea învățării supervizate și nesupervizate (învățare semi-supervizată)
Limbaje și Seturi de Instrumente pentru Învățarea Automată
- Sisteme și software open source vs proprietare
- Python vs R vs Matlab
- Biblioteci și cadre de lucru
Studii de Caz în Învățarea Automată
- Datele consumatorilor și big data
- Evaluarea riscului în împrumuturile pentru consumatori și afaceri
- Îmbunătățirea serviciului pentru clienți prin analiza sentimentelor
- Detectarea fraudelor de identitate, fraudelor de facturare și a spălării de bani
Practică: Python pentru Învățarea Automată
- Pregătirea mediului de dezvoltare
- Obținerea bibliotecilor și pachetelor Python pentru învățarea automată
- Lucrul cu scikit-learn și PyBrain
Cum să Încărcați Date pentru Învățarea Automată
- Baze de date, depozite de date și date de streaming
- Stocare și procesare distribuită cu Hadoop și Spark
- Date exportate și Excel
Modelarea Deciziilor de Afaceri cu Învățarea Supervizată
- Clasificarea datelor (clasificare)
- Utilizarea analizei de regresie pentru a prezice rezultatul
- Alegerea dintre algoritmii disponibili de învățare automată
- Înțelegerea algoritmilor de arbore de decizie
- Înțelegerea algoritmilor de pădure aleatoare
- Evaluarea modelului
- Exercițiu
Analiza de Regresie
- Regresie liniară
- Generalizări și neliniaritate
- Exercițiu
Clasificare
- Reîmprospătare Bayesiană
- Naive Bayes
- Regresie logistică
- Vecini cei mai apropiați (K-Nearest neighbors)
- Exercițiu
Practică: Construirea unui Model de Estimare
- Evaluarea riscului de împrumut pe baza tipului și istoricului clientului
Evaluarea Performanței Algoritmilor de Învățare Automată
- Validare încrucișată și resampling
- Agregare bootstrap (bagging)
- Exercițiu
Modelarea Deciziilor de Afaceri cu Învățarea Nesupervizată
- Când seturile de date de eșantion nu sunt disponibile
- Clustering K-means
- Provocările învățării nesupervizate
- Dincolo de K-means
- Rețele Bayesiene și Modele Ascunse Markov
- Exercițiu
Practică: Construirea unui Sistem de Recomandare
- Analiza comportamentului trecut al clienților pentru a îmbunătăți ofertele de servicii noi
Extinderea Capabilităților Companiei Dvs.
- Dezvoltarea modelelor în cloud
- Accelerarea învățării automate cu GPU
- Aplicarea rețelelor neuronale de Învățare Profundă pentru recunoașterea vizuală, recunoașterea vocală și analiza textului
Observații Finale
Cerințe
- Experiență în programarea cu Python
- Cunoștințe de bază de statistică și algebră liniară
Mărturii (2)
ecosistemul ML nu include doar MLFlow, ci și Optuna, hyperops, Docker și Docker-Compose
Guillaume GAUTIER - OLEA MEDICAL
Curs - MLflow
Tradus de catre o masina
M-a plăcut să particip la instruirea Kubeflow, care a avut loc la distanță. Această instruire mi-a permis să consolidez cunoștințele despre serviciile AWS, K8s și toate instrumentele devOps în jurul Kubeflow, care reprezintă bazele necesare pentru a aborda subiectul cu succes. Vreau să-i mulțumesc lui Malawski Marcin pentru răbdarea sa și profesionalismul demonstrat în instruire și sfaturi privind cele mai bune practici. Malawski abordează subiectul din diferite unghiuri, folosind diferite instrumente de implementare precum Ansible, EKS kubectl, Terraform. Acum sunt cu adevărat convins că intru în domeniul de aplicație potrivit.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Curs - Kubeflow
Tradus de catre o masina
