План на курса

Въведение

    Разлика между статистическо обучение (статистически анализ) и машинно обучение Възприемане на технология за машинно обучение и талант от финансови и банкови компании

Различни видове Machine Learning

    Контролирано обучение срещу неконтролирано обучение Итерация и оценка Компромис от отклонение Комбиниране на контролирано и неконтролирано обучение (полуконтролирано обучение)

Machine Learning Езици и набори от инструменти

    Отворен код срещу патентовани системи и софтуер Python срещу R срещу Matlab Библиотеки и рамки

Machine Learning Казуси от практиката

    Потребителски данни и големи данни Оценка на риска при потребителското и бизнес кредитиране Подобряване на обслужването на клиентите чрез анализ на настроенията Откриване на измами със самоличност, измами с фактуриране и пране на пари

Практически: Python за машинно обучение

    Подготовка на средата за разработка Получаване на Python библиотеки и пакети за машинно обучение Работа със scikit-learn и PyBrain

Как да заредите Machine Learning данни

    Бази данни, хранилища за данни и поточно предаване на данни Разпределено съхранение и обработка с Hadoop и Spark Експортирани данни и Excel

Моделиране Business Решения с контролирано обучение

    Класифициране на вашите данни (класификация) Използване на регресионен анализ за прогнозиране на резултата Избор от наличните алгоритми за машинно обучение Разбиране на алгоритмите на дървото на решенията Разбиране на произволни горски алгоритми Оценка на модела Упражнение

Регресионен анализ

    Линейна регресия. Обобщения и упражнение за нелинейност

Класификация

    Bayesian refresher Наивен Bayes Логистична регресия K-най-близки съседи Упражнение

Практически: Изграждане на модел за оценка

    Оценка на кредитния риск въз основа на типа и историята на клиента

Оценяване на производителността на Machine Learning алгоритми

    Кръстосано валидиране и повторно вземане на проби Bootstrap агрегиране (пакетиране) Упражнение

Моделиране Business Решения с неконтролирано обучение

    Когато примерни набори от данни не са налични K-означава групиране Предизвикателства на неконтролираното учене Отвъд K-означава мрежи на Бейс и Упражнение за скрити модели на Марков

Практически: Изграждане на система за препоръки

    Анализиране на миналото поведение на клиентите за подобряване на новите предложения за услуги

Разширяване на възможностите на вашата компания

    Разработване на модели в облака Ускоряване на машинното обучение с GPU Прилагане на невронни мрежи за дълбоко обучение за компютърно зрение, разпознаване на глас и анализ на текст

Заключителни бележки

Изисквания

  • Опит с Python програмиране
  • Основни познания по статистика и линейна алгебра
  21 Hours

Брой участници



Цена за участник

Свързани Kурсове

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Свързани Kатегории