Course Outline

Introductie

  • Verschil tussen statistisch leren (statistische analyse) en machine learning
  • Adoptie van machine learning-technologie en -talent door financiële en bancaire bedrijven

Verschillende soorten Machine Learning

  • Begeleid leren versus leren zonder toezicht
  • Iteratie en evaluatie
  • Afweging tussen bias en variantie
  • Combineren van gesuperviseerd en niet-gesuperviseerd leren (semi-gesuperviseerd leren)

Machine Learning Languages en gereedschapssets

  • Open source versus propriëtaire systemen en software
  • Python vs R vs Matlab
  • Bibliotheken en frameworks

Machine Learning Casestudy's.

  • Consumentengegevens en big data
  • Risicobeoordeling bij consumenten- en zakelijke kredietverlening
  • Klantenservice verbeteren door middel van sentimentanalyse
  • Opsporen van identiteitsfraude, factuurfraude en witwassen

Hands-on: Python voor Machine Learning

  • Voorbereiding van de ontwikkelingsomgeving
  • Verkrijgen van Python machine learning-bibliotheken en -pakketten
  • Werken met scikit-learn en PyBrain

Gegevens laden Machine Learning

  • Databases, datawarehouses en streaming data
  • Gedistribueerde opslag en verwerking met Hadoop en Spark
  • Geëxporteerde gegevens en Excel

Modelleren Business Beslissingen met begeleid leren

  • Classificeren van uw gegevens (classificatie)
  • Regressieanalyse gebruiken om de uitkomst te voorspellen
  • Kiezen uit beschikbare machine learning-algoritmen
  • Inzicht in de algoritmen van de beslisboom
  • Inzicht in algoritmen voor willekeurige forests
  • Evaluatie van het model
  • Oefening

Regressie-analyse

  • Lineaire regressie
  • Generalisaties en niet-lineariteit
  • Oefening

Classificatie

  • Bayesiaanse opfriscursus
  • Naïeve Bayes
  • Logistische regressie
  • K-Dichtstbijzijnde buren
  • Oefening

Hands-on: een schattingsmodel bouwen

  • Beoordeling van kredietrisico's op basis van klanttype en geschiedenis

Evaluatie van de prestaties van Machine Learning Algoritmen

  • Kruisvalidatie en resampling
  • Bootstrap Aggregatie (zakken)
  • Oefening

Modelleren Business Beslissingen met leren zonder toezicht

  • Wanneer er geen voorbeeldgegevenssets beschikbaar zijn
  • K-betekent clustering
  • Uitdagingen van leren zonder toezicht
  • Voorbij K-middelen
  • Bayes-netwerken en Markov Hidden Models
  • Oefening

Hands-on: een aanbevelingssysteem bouwen

  • Analyseren van klantgedrag uit het verleden om nieuwe serviceaanbiedingen te verbeteren

Uitbreiding van de mogelijkheden van uw bedrijf

  • Modellen ontwikkelen in de cloud
  • Machine learning versnellen met GPU
  • Toepassen van Deep Learning neurale netwerken voor computer vision, spraakherkenning en tekstanalyse

Slotwoord

Requirements

  • Ervaring met Python programmeren
  • Basiskennis van statistiek en lineaire algebra
  21 Hours
 

Related Courses

Related Categories