Kursplan

Införandet

  • Skillnaden mellan statistisk inlärning (statistisk analys) och maskininlärning
  • Införande av maskininlärningsteknik och talang av finans- och bankföretag

Olika typer av Machine Learning

  • Övervakad inlärning kontra oövervakad inlärning
  • Iteration och utvärdering
  • Avvägning mellan bias och varians
  • Kombinera övervakad och oövervakad inlärning (semi-övervakad inlärning)

Machine Learning Languages och verktygsuppsättningar

  • Öppen källkod kontra proprietära system och programvara
  • Python jämfört med R jämfört med Matlab
  • Bibliotek och ramverk

Machine Learning Fallstudier.

  • Konsumentdata och big data
  • Riskbedömning vid utlåning till konsumenter och företag
  • Förbättra kundservicen genom sentimentanalys
  • Upptäcka identitetsbedrägerier, faktureringsbedrägerier och penningtvätt

Praktiskt: Python för Machine Learning

  • Förberedelse av utvecklingsmiljön
  • Hämta Python maskininlärningsbibliotek och -paket
  • Arbeta med scikit-learn och PyBrain

Så här läser du in Machine Learning-data

  • Databases, informationslager och strömmande data
  • Distribuerad lagring och bearbetning med Hadoop och Spark
  • Exporterade data och Excel

Modellering Business av beslut med övervakad inlärning

  • Klassificera dina data (klassificering)
  • Använda regressionsanalys för att förutsäga utfall
  • Välja bland tillgängliga maskininlärningsalgoritmer
  • Förstå beslutsträdsalgoritmer
  • Förstå algoritmer för slumpmässig skog
  • Utvärdering av modellen
  • Övning

Regressionsanalys

  • Linjär regression
  • Generaliseringar och olinjäritet
  • Övning

Klassificering

  • Bayesiansk repetition
  • Naiva Bayes
  • Logistisk regression
  • K-Närmaste grannar
  • Övning

Praktiskt: Skapa en uppskattningsmodell

  • Bedömning av utlåningsrisk baserat på kundtyp och historik

Utvärdering av prestanda för Machine Learning algoritmer

  • Korsvalidering och omsampling
  • Bootstrap Aggregering (påsning)
  • Övning

Modellering Business av beslut med oövervakad inlärning

  • När exempeldatauppsättningar inte är tillgängliga
  • K-means-klustring
  • Utmaningar med oövervakad inlärning
  • Bortom K-medel
  • Bayes-nätverk och Markovs dolda modeller
  • Övning

Praktiskt: Bygga ett rekommendationssystem

  • Analysera tidigare kundbeteende för att förbättra nya tjänsteerbjudanden

Utöka ditt företags kapacitet

  • Utveckla modeller i molnet
  • Påskynda maskininlärning med GPU
  • Tillämpning av Deep Learning neurala nätverk för datorseende, röstigenkänning och textanalys

Avslutande kommentarer

Krav

  • Erfarenhet av Python programmering
  • Grundläggande förtrogenhet med statistik och linjär algebra
 21 timmar

Antal deltagare



Price per participant

Relaterade Kategorier