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.
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