Kursplan

Introduksjon

    Forskjellen mellom statistisk læring (statistisk analyse) og maskinlæring Adopsjon av maskinlæringsteknologi og talent av finans- og bankselskaper

Ulike typer Machine Learning

    Veiledet læring vs uovervåket læring Iterasjon og evaluering Bias-variance trade-off Kombinere veiledet og uovervåket læring (semi-veiledet læring)

Machine Learning Språk og verktøysett

    Åpen kildekode vs proprietære systemer og programvare Python vs R vs Matlab biblioteker og rammeverk

Machine Learning Kasusstudier

    Forbrukerdata og stordata Vurdere risiko i forbruker- og bedriftsutlån Forbedre kundeservice gjennom sentimentanalyse Avdekke identitetssvindel, faktureringssvindel og hvitvasking

Hands-on: Python for maskinlæring

    Forberede utviklingsmiljøet Skaffe Python maskinlæringsbiblioteker og -pakker Arbeide med scikit-learn og PyBrain

Hvordan laste Machine Learning data

    Databaser, datavarehus og strømmedata Distribuert lagring og prosessering med Hadoop og Spark Exported data og Excel

Modellering Business Beslutninger med veiledet læring

    Klassifisering av data (klassifisering) Bruke regresjonsanalyse for å forutsi utfall Velge blant tilgjengelige maskinlæringsalgoritmer Forstå beslutningstrealgoritmer Forstå tilfeldige skogalgoritmer Modellevaluering Øvelse

Regresjonsanalyse

    Lineær regresjon Generaliseringer og ikke-linearitetsøvelse

Klassifisering

    Bayesiansk oppfriskning Naiv Bayes Logistisk regresjon K-Nærmeste naboer Øvelse

Hands-on: Bygge en estimeringsmodell

    Vurdere utlånsrisiko basert på kundetype og historikk

Evaluering av ytelsen til Machine Learning Algoritmer

    Kryssvalidering og resampling Bootstrap aggregering (bagging) Øvelse

Modellering Business Beslutninger med uovervåket læring

    Når eksempeldatasett ikke er tilgjengelige K-betyr klynging Utfordringer ved uovervåket læring Beyond K-betyr Bayes-nettverk og Markov Hidden Models Exercise

Hands-on: Bygge et anbefalingssystem

    Analyse av tidligere kundeatferd for å forbedre nye tjenestetilbud

Utvide bedriftens muligheter

    Utvikle modeller i skyen Akselerere maskinlæring med GPU Anvendelse av Deep Learning nevrale nettverk for datasyn, stemmegjenkjenning og tekstanalyse

Avsluttende bemerkninger

Krav

  • Erfaring med Python programmering
  • Grunnleggende kjennskap til statistikk og lineær algebra
  21 timer

Antall deltakere


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.

Price per participant

Relaterte kurs

Related Categories