Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
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 Învățare Automată
- Învățare supervizată vs învățare nesupervizată
- Iterație și evaluare
- Compromisul bias-varianță
- Combinarea învățării supervizate și nesupervizate (învățare semi-supervizată)
Limbaje și Instrumente de Învățare Automată
- Sisteme și software open source vs proprietare
- Python vs R vs Matlab
- Biblioteci și framework-uri
Studii de Caz în Învățarea Automată
- Datele consumatorilor și big data
- Evaluarea riscului în împrumuturile pentru consumatori și afaceri
- Îmbunătățirea serviciilor pentru clienți prin analiza sentimentelor
- Detectarea fraudelor de identitate, a fraudelor de facturare și a spălării banilor
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
- Stocarea și procesarea 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 arbori de decizie
- Înțelegerea algoritmilor de păduri aleatoare
- Evaluarea modelului
- Exercițiu
Analiza de Regresie
- Regresie liniară
- Generalizări și neliniaritate
- Exercițiu
Clasificare
- Reîmprospătare Bayesiană
- Naive Bayes
- Regresie logistică
- K-Cei mai apropiați vecini
- 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 eșantion nu sunt disponibile
- Clustering K-means
- Provocările învățării nesupervizate
- Dincolo de K-means
- Rețele Bayesiene și Modele Markov Ascunse
- Exercițiu
Practică: Construirea unui Sistem de Recomandare
- Analizarea comportamentului trecut al clienților pentru a îmbunătăți ofertele de servicii noi
Extinderea Capabilităților Companiei Tale
- 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 Python
- Cunoștințe de bază despre statistică și algebră liniară
21 Ore
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
