Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
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 отклонение-вариация
- Комбиниране на контролирано и неконтролирано обучение (полуконтролирано обучение)
Machine Learning Languages 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 потребителско и бизнес кредитиране
- Подобряване на обслужването на клиенти чрез анализ на настроението
- Откриване на измами със самоличност, измами с фактуриране и пране на пари
Практически: Python за Machine Learning
- 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
- Databases, хранилища за данни и поточни 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 случайни горски алгоритми
- Оценка на модела
- Упражнение
Регресионен анализ
- Линейна регресия
- Обобщения и нелинейност
- Упражнение
Класификация
- Байесово опресняване
- Наивен Бейс
- 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 наборите от примерни данни не са налични
- K-означава групиране
- Предизвикателствата на обучението без надзор
- Отвъд К-означава
- Мрежи на Бейс и скрити модели на Марков
- Упражнение
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 Deep Learning невронни мрежи 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 Часа