机器学习用于银行业务(使用Python)培训

课程编码

mlbankingpython_

课程时长

21 小时 通常来说是3天,包括中间休息。

要求

  • Python编程经验
  • 基本熟悉统计学和线性代数

课程概览

在这一由讲师引导的现场培训中,参与者将学习如何应用机器学习技术和工具来解决银行业的现实问题。Python将被用作编程语言。

参与者首先学习关键原则,然后通过建立自己的机器学习模型并使用模型来完成一些现场项目以将所学知识运用到实践中。

受众

  • 开发人员
  • 数据科学家

课程形式

  • 部分讲座、部分讨论、练习和大量实操

课程大纲

介绍

  • 统计学习(统计分析)和机器学习之间的区别
  • 金融和银行公司采用机器学习技术及招募相关人才

不同类型的机器学习

  • 有监督学习 vs 无监督学习
  • 迭代和评估
  • 偏差方差权衡
  • 结合有监督学习和无监督学习(半监督学习)

机器学习语言和工具集

  • 开源 vs 专有系统和软件
  • Python vs R vs Matlab
  • 库和框架

机器学习案例研究

  • 消费者数据和大数据
  • 评估消费者和商业贷款的风险
  • 通过情感分析改善客户服务
  • 检测身份欺诈、帐单欺诈和洗钱

实践:用于机器学习的Python

  • 准备开发环境
  • 获取Python机器学习库和包
  • 使用scikit-learn和PyBrain

如何加载机器学习数据

  • 数据库、数据仓库和流数据
  • 使用Hadoop和Spark进行分布式存储和处理
  • 导出的数据和Excel

在有监督学习的情况下对业务决策进行建模

  • 对您的数据进行分类(分类)
  • 使用回归分析来预测结果
  • 从可用的机器学习算法中选择
  • 理解决策树算法
  • 理解随机森林算法
  • 模型评估
  • 练习

回归分析

  • 线性回归
  • 概括和非线性
  • 练习

分类

  • Bayesian refresher
  • 朴素贝叶斯(Naive Bayes)方法
  • 逻辑回归
  • k最近邻算法
  • 练习

实践:建立一个估计模型

  • 根据客户类型和历史来评估贷款风险

评估机器学习算法的性能

  • 交叉验证和重采样
  • Bootstrap aggregation (bagging)
  • 练习

在无监督学习的情况下对业务决策进行建模

  • 样本数据集不可用时
  • K均值聚类
  • 无监督学习的挑战
  • 超越均值(K-means)
  • 贝叶斯(Bayes)网络和马尔可夫(Markov)隐藏模型
  • 练习

实践:建立一个推荐系统

  • 分析过去的客户行为以改进新的服务产品

扩展您公司的能力

  • 在云中开发模型
  • 借助GPU加速机器学习
  • 运用深度学习神经网络进行计算机视觉、语音识别和文本分析

结束语

客户评论

★★★★★
★★★★★

课程分类

相关课程

促销课程

订阅促销课程

为尊重您的隐私,我公司不会把您的邮箱地址提供给任何人。您可以享有优先权和随时取消订阅的权利。

我们的客户

is growing fast!

We are looking to expand our presence in China!

As a Business Development Manager you will:

  • expand business in China
  • recruit local talent (sales, agents, trainers, consultants)
  • recruit local trainers and consultants

We offer:

  • Artificial Intelligence and Big Data systems to support your local operation
  • high-tech automation
  • continuously upgraded course catalogue and content
  • good fun in international team

If you are interested in running a high-tech, high-quality training and consulting business.

Apply now!

该网站在其他国家/地区