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.
Návrh Školení
Úvod
- Rozdíl mezi statistickým učením (statistická analýza) a strojovým učením Přijetí technologie strojového učení a talentu finančními a bankovními společnostmi
Různé typy Machine Learning
- Učení pod dohledem vs učení bez dohledu Iterace a hodnocení Kompromis zkreslení a odchylek Kombinace učení pod dohledem a učení bez dohledu (učení s částečným dohledem)
Machine Learning Jazyky a sady nástrojů
- Open source vs proprietární systémy a software Python vs R vs Matlab knihovny a rámce
Machine Learning Případové studie
- Spotřebitelská data a velká data Posouzení rizik spotřebitelských a obchodních úvěrů Zlepšení zákaznických služeb prostřednictvím analýzy sentimentu Detekce podvodů s identitou, fakturačních podvodů a praní špinavých peněz
Praktické: Python pro strojové učení
- Příprava vývojového prostředí Získání Python knihoven a balíčků strojového učení Práce se scikit-learn a PyBrain
Jak načíst Machine Learning data
- Databáze, datové sklady a streamování dat Distribuované ukládání a zpracování pomocí Hadoop a Spark Exported dat a Excel
Modelování Business Rozhodování s kontrolovaným učením
- Klasifikace vašich dat (klasifikace) Použití regresní analýzy k predikci výsledku Výběr z dostupných algoritmů strojového učení Porozumění algoritmům rozhodovacího stromu Porozumění algoritmům náhodného lesa Vyhodnocení modelu Cvičení
Regresní analýza
- Lineární regrese zobecnění a cvičení nelinearity
Klasifikace
- Bayesovské osvěžení Naivní Bayes Logistická regrese K-Nejbližší sousedé Cvičení
Praktické: Sestavení modelu odhadu
- Posouzení úvěrového rizika na základě typu a historie zákazníka
Hodnocení výkonnosti Machine Learning Algoritmů
- Křížová validace a převzorkování Bootstrap agregace (bagging) Cvičení
Modelování Business Rozhodování s učením bez dozoru
- Nejsou-li k dispozici vzorové datové sady, shlukování K-průměrů Výzvy učení bez dozoru Mimo K-střední Bayesovy sítě a cvičení Markovových skrytých modelů
Praktické: Vytvoření systému doporučení
- Analýza chování zákazníků v minulosti za účelem zlepšení nabídky nových služeb
Rozšíření schopností vaší společnosti
- Vývoj modelů v cloudu Urychlení strojového učení pomocí GPU Použití neuronových sítí Deep Learning pro počítačové vidění, rozpoznávání hlasu a analýzu textu
Závěrečné poznámky
Požadavky
- Zkušenosti s programováním Python
- Základní znalost statistiky a lineární algebry
21 hodiny