感謝您的預訂!我們的團隊成員將會盡快與您取得聯繫。
感謝您的預訂!我們的團隊成員將會盡快與您取得聯繫。
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: