課程簡介

介紹

  • 統計學習(統計分析)與機器學習的區別
  • 金融和銀行公司採用機器學習技術和人才

不同類型的 Machine Learning

  • 監督學習與無監督學習
  • 反覆運算和評估
  • 偏差-方差權衡
  • 結合監督學習和無監督學習(半監督學習)

Machine Learning 語言和工具集

  • 開源與專有系統和軟體
  • Python 與 R 與 Matlab
  • 庫和框架

Machine Learning 案例研究

  • 消費者數據和大數據
  • 評估消費者和商業貸款的風險
  • 通過情緒分析改善客戶服務
  • 檢測身份欺詐、帳單欺詐和洗錢

動手實踐:Python 機器學習

  • 準備開發環境
  • 獲取 Python 個機器學習庫和包
  • 使用 scikit-learn 和 PyBrain

如何載入 Machine Learning 數據

  • 資料庫、數據倉庫和流數據
  • 使用 Hadoop 和Spark進行分散式存儲和處理
  • 匯出的數據和Excel

建模 Business 監督學習決策

  • 對資料進行分類(分類)
  • 使用回歸分析預測結果
  • 從可用的機器學習演算法中進行選擇
  • 瞭解決策樹演算法
  • 瞭解隨機森林演算法
  • 模型評估
  • 鍛煉

回歸分析

  • 線性回歸
  • 泛化和非線性
  • 鍛煉

分類

  • 貝葉斯複習
  • 樸素貝葉斯
  • 邏輯回歸
  • K-最近鄰
  • 鍛煉

動手實踐:構建估算模型

  • 根據客戶類型和歷史評估貸款風險

評估 Machine Learning 演算法的性能

  • 交叉驗證和重採樣
  • Bootstrap 聚集(裝袋)
  • 鍛煉

建模 Business 無監督學習決策

  • 當樣本數據集不可用時
  • K-means 聚類
  • 無監督學習的挑戰
  • 超越 K 均值
  • 貝葉斯網路和瑪律可夫隱模型
  • 鍛煉

實踐:構建推薦系統

  • 分析過去的客戶行為以改進新的服務產品

擴展公司的能力

  • 在雲中開發模型
  • 使用 GPU 加速機器學習
  • 將深度學習神經網路應用於電腦視覺、語音辨識和文本分析

閉幕致辭

最低要求

  • 具有 Python 程式設計經驗
  • 基本熟悉統計學和線性代數
  21 時間:
 

人數


開始於

結束於


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

相關課程

課程分類