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.
课程大纲
介绍
- 统计学习(统计分析)与机器学习的区别
- 金融和银行公司采用机器学习技术和人才
不同类型的 Machine Learning
- 监督学习与无监督学习
- 迭代和评估
- 偏差-方差权衡
- 结合监督学习和无监督学习(半监督学习)
Machine Learning 语言和工具集
- 开源与专有系统和软件
- Python 与 R 与 Matlab
- 库和框架
Machine Learning 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
- 通过情绪分析改善客户服务
- 检测身份欺诈、账单欺诈和洗钱
动手实践:Python 机器学习
- 准备开发环境
- 获取 Python 个机器学习库和包
- 使用 scikit-learn 和 PyBrain
如何加载 Machine Learning 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
建模 Business 监督学习决策
- 对数据进行分类(分类)
- 使用回归分析预测结果
- 从可用的机器学习算法中进行选择
- 了解决策树算法
- 了解随机森林算法
- 模型评估
- 锻炼
回归分析
- 线性回归
- 泛化和非线性
- 锻炼
分类
- 贝叶斯复习
- 朴素贝叶斯
- 逻辑回归
- K-最近邻
- 锻炼
动手实践:构建估算模型
- 根据客户类型和历史评估贷款风险
评估 Machine Learning 算法的性能
- 交叉验证和重采样
- Bootstrap 聚集(装袋)
- 锻炼
建模 Business 无监督学习决策
- 当样本数据集不可用时
- K-means 聚类
- 无监督学习的挑战
- 超越 K 均值
- 贝叶斯网络和马尔可夫隐模型
- 锻炼
实践:构建推荐系统
- 分析过去的客户行为以改进新的服务产品
扩展公司的能力
- 在云中开发模型
- 使用 GPU 加速机器学习
- 将深度学习神经网络应用于计算机视觉、语音识别和文本分析
闭幕致辞
要求
- 具有 Python 编程经验
- 基本熟悉统计学和线性代数
21 小时