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.
Plan Szkolenia
Wprowadzenie
- Różnica między uczeniem statystycznym (analizą statystyczną) a uczeniem maszynowym
- Przyjęcie technologii uczenia maszynowego i talentów przez firmy finansowe i bankowe
Różne rodzaje Machine Learning
- Uczenie nadzorowane a uczenie bez nadzoru
- Iteracja i ocena
- Kompromis między stronniczością a wariancją
- Łączenie uczenia nadzorowanego i nienadzorowanego (uczenie częściowo nadzorowane)
Machine Learning Languages i zestawy narzędzi
- Systemy i oprogramowanie open source vs zastrzeżone
- Python vs R vs Matlab
- Biblioteki i struktury
[Studia przypadków
- Dane konsumenckie i duże zbiory danych
- Ocena ryzyka w kredytach konsumenckich i biznesowych
- Poprawa obsługi klienta poprzez analizę nastrojów
- Wykrywanie oszustw tożsamości, oszustw rozliczeniowych i prania pieniędzy
Praktyczne wskazówki: Python dla Machine Learning
- Przygotowanie środowiska programistycznego
- Uzyskiwanie Python bibliotek i pakietów uczenia maszynowego
- Praca z scikit-learn i PyBrain
Jak załadować dane Machine Learning
- Database, hurtownie danych i dane strumieniowe
- Rozproszone przechowywanie i przetwarzanie za pomocą Hadoop i Spark
- Eksportowane dane i Excel
Modelowanie Business decyzji za pomocą uczenia nadzorowanego
- Klasyfikowanie danych (klasyfikacja)
- Wykorzystanie analizy regresji do przewidywania wyników
- Wybór spośród dostępnych algorytmów uczenia maszynowego
- Zrozumienie algorytmów drzew decyzyjnych
- Zrozumienie algorytmów lasu losowego
- Ocena modelu
- Ćwiczenie
Analiza regresji
- Regresja liniowa
- Uogólnienia i nieliniowość
- Ćwiczenie
Klasyfikacja
- Odświeżenie metody Bayesa
- Naiwny Bayes
- Regresja logistyczna
- K-najbliżsi sąsiedzi
- Ćwiczenie
Ćwiczenia praktyczne: Budowanie modelu estymacji
- Ocena ryzyka kredytowego na podstawie typu i historii klienta
Ocena wydajności Machine Learning algorytmów
- Walidacja krzyżowa i ponowne próbkowanie
- Agregacja (bagging) [0)
- Ćwiczenie
Modelowanie Business decyzji za pomocą uczenia nienadzorowanego
- Gdy przykładowe zestawy danych nie są dostępne
- Grupowanie metodą K-średnich
- Wyzwania związane z uczeniem bez nadzoru
- Więcej niż K-średnich
- Sieci bayesowskie i ukryte modele Markowa
- Ćwiczenie
Ćwiczenia praktyczne: Tworzenie systemu rekomendacji
- Analiza wcześniejszych zachowań klientów w celu ulepszenia nowych ofert usług
Rozszerzanie możliwości firmy
- Tworzenie modeli w chmurze
- Przyspieszanie uczenia maszynowego za pomocą GPU
- Zastosowanie Deep Learning sieci neuronowych do wizji komputerowej, rozpoznawania głosu i analizy tekstu
Uwagi końcowe
Wymagania
- Doświadczenie w programowaniu Python
- Podstawowa znajomość statystyki i algebry liniowej
21 godzin