Kurzusleírás

Bevezetés

  • A statisztikai tanulás (statisztikai elemzés) és a gépi tanulás közötti különbség
  • A gépi tanulási technológia és a tehetségek átvétele a pénzügyi és banki vállalatoknál

Különböző típusú Machine Learning

  • Felügyelt tanulás kontra felügyelet nélküli tanulás
  • Iteráció és értékelés
  • Bias-variance kompromisszum
  • A felügyelt és a nem felügyelt tanulás kombinálása (félig felügyelt tanulás)

Machine Learning Languages és eszközkészletek

  • Nyílt forráskód vs. védett rendszerek és szoftverek
  • Python vs R vs Matlab
  • Könyvtárak és keretrendszerek

Machine Learning Esettanulmányok

  • Fogyasztói adatok és big data
  • Kockázatértékelés a fogyasztói és üzleti hitelezésben
  • Ügyfélszolgálat javítása hangulatelemzés segítségével
  • Személyazonosság-csalás, számlázási csalás és pénzmosás felderítése

Gyakorlati: Python – Machine Learning

  • Fejlesztési környezet előkészítése
  • Python gépi tanulási könyvtár és csomag beszerzése
  • Scikit-learn és PyBrain használata

Hogyan töltsünk be Machine Learning adatokat

  • Databases, adattárházak és adatfolyamok
  • Elosztott tárolás és feldolgozás Hadoop és Spark segítségével
  • Exportált adatok és Excel

Modellezés Business Döntések felügyelt tanulással

  • Az adatok osztályozása (osztályozás)
  • Regressziós elemzés használata az eredmény előrejelzésére
  • Választás a rendelkezésre álló gépi tanulási algoritmusok közül
  • A döntési fa algoritmusainak megértése
  • Véletlenszerű erdőalgoritmusok megértése
  • Modell értékelés
  • Gyakorlat

Regresszió analízis

  • Lineáris regresszió
  • Általánosítások és nemlinearitás
  • Gyakorlat

Osztályozás

  • Bayesi frissítő
  • Naiv Bayes
  • Logisztikus regresszió
  • K-Legközelebbi szomszédok
  • Gyakorlat

Gyakorlati gyakorlat: Becslési modell felépítése

  • A hitelezési kockázat felmérése az ügyfél típusa és előzményei alapján

A Machine Learning algoritmusok teljesítményének értékelése

  • Keresztellenőrzés és újramintavétel
  • Bootstrap összesítés (zsákolás)
  • Gyakorlat

Modellezés Business Döntések felügyelet nélküli tanulással

  • Amikor nem állnak rendelkezésre mintaadatkészletek
  • A K-csoportosulást jelent
  • A felügyelet nélküli tanulás kihívásai
  • Túl a K-n
  • Bayes hálózatok és Markov rejtett modellek
  • Gyakorlat

Gyakorlati gyakorlat: Ajánlási rendszer felépítése

  • Az ügyfelek korábbi viselkedésének elemzése az új szolgáltatási kínálat javítása érdekében

Cége képességeinek bővítése

  • Modellek fejlesztése a felhőben
  • A gépi tanulás felgyorsítása a GPU segítségével
  • Deep Learning neurális hálózatok alkalmazása számítógépes látásra, hangfelismerésre és szövegelemzésre

Zárszó

Követelmények

  • Python programozási tapasztalat
  • Statisztikai és lineáris algebrai alapismeretek
  21 Hours
 

Résztvevők száma


Tanfolyam kezdete

Tanfolyam vége


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Rokon tanfolyam

Rokon kategóriák