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 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
- R vs Python vs 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
Introduktion till R
- Installera RStudio IDE
- Läser in R-paket
- Datastrukturer
- Vektorer
- Faktorer
- Listor
- Ramar för data
- Matrixes och matriser
Så här läser du in Machine Learning-data
- Databases, informationslager och strömmande data
- Distribuerad lagring och bearbetning med Hadoop och Spark
- Importera data från en databas
- Importera data från Excel och CSV
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
- Accelerera maskininlärning med ytterligare GPUs
- Tillämpning av Deep Learning neurala nätverk för datorseende, röstigenkänning och textanalys
Avslutande kommentarer
Krav
- Programming erfarenhet av vilket språk som helst
- Grundläggande förtrogenhet med statistik och linjär algebra
28 timmar