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
Introduksjon
- Forskjellen mellom statistisk læring (statistisk analyse) og maskinlæring Adopsjon av maskinlæringsteknologi 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 R vs Python 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
Introduksjon til R
- Installere RStudio IDE Laster R-pakker Datastrukturer Vektorer Faktorer Lister datarammer Matrixer og matriser
Hvordan laste Machine Learning data
- Databaser, datavarehus og strømmedata Distribuert lagring og prosessering med Hadoop og Spark Importere data fra en database Importere data fra Excel og CSV
Modellering Business Beslutninger med veiledet læring
- Klassifisering av dataene dine (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 flere GPUs. Bruke Deep Learning nevrale nettverk for datasyn, stemmegjenkjenning og tekstanalyse
Sluttkommentarer
Krav
- Programming erfaring med hvilket som helst språk
- Grunnleggende kjennskap til statistikk og lineær algebra
28 timer
