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.
Kurzusleírás
Bevezetés
- A statisztikai tanulás (statisztikai elemzés) és a gépi tanulás közötti különbség
- A gépi tanulási technológia 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
- R vs Python 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
Bevezetés R
- Az RStudio IDE telepítése
- R csomagok betöltése
- Adatstruktúrák
- Vektorok
- Tényezők
- Listák
- Adatkeretek
- Matrixes és tömbök
Hogyan töltsünk be Machine Learning adatokat
- Databases, adattárházak és adatfolyamok
- Elosztott tárolás és feldolgozás Hadoop és Spark segítségével
- Adatok importálása adatbázisból
- Adatok importálása a Excel-ből és a CSV-ből
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 további GPU-tel
- Deep Learning neurális hálózatok alkalmazása számítógépes látásra, hangfelismerésre és szövegelemzésre
Zárszó
Követelmények
- Programming tapasztalat bármilyen nyelven
- Statisztikai és lineáris algebrai alapismeretek
28 Hours