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

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (2)

Propozycje terminów

Powiązane Kategorie