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.
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: