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

Numărul de participanți


Pret per participant

Categorii înrudite