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.
Schița de curs
Introducere
- Diferența dintre învățarea statistică (analiza statistică) și învățarea mecanică
- Adoptarea tehnologiei de învățare automată și a talentului de către companiile financiare și bancare
Diferite tipuri de Machine Learning
- Învățarea supravegheată vs. învățarea nesupravegheată
- Iterarea și evaluarea
- Echilibrul bias-varianță
- Combinarea învățării supravegheate și nesupravegheate (învățare semi-supravegheată)
Machine Learning Languages și seturi de instrumente
- Sursă deschisă vs. sisteme și software proprietar
- Python vs R vs Matlab
- Biblioteci și cadre
Machine Learning Studii de caz
- Datele consumatorilor și big data
- Evaluarea riscului în creditarea consumatorilor și a întreprinderilor
- Îmbunătățirea serviciilor pentru clienți prin analiza sentimentelor
- Detectarea fraudei de identitate, a fraudei la facturare și a spălării banilor
Utilizare practică: Python pentru Machine Learning
- Pregătirea mediului de dezvoltare
- Obținerea bibliotecilor și pachetelor de învățare automată Python
- Lucrul cu scikit-learn și PyBrain
Cum să încărcați Machine Learning date
- Databases, depozite de date și streaming de date
- Stocarea și procesarea distribuită cu Hadoop și Spark
- Date exportate și Excel
Modelarea deciziilor Business cu învățarea supervizată
- Clasificarea datelor (clasificare)
- Utilizarea analizei de regresie pentru a prezice rezultatul
- Alegerea dintre algoritmii de învățare automată disponibili
- Înțelegerea algoritmilor arborelui de decizie
- Înțelegerea algoritmilor random forest
- Evaluarea modelului
- Exercițiu
Analiza regresiei
- Regresia liniară
- Generalizări și neliniaritate
- Exercițiu
Clasificarea
- Reîmprospătare bayesiană
- Naive Bayes
- Regresia logistică
- Cei mai apropiați vecini K
- Exercițiu
Activitate practică: Construirea unui model de estimare
- Evaluarea riscului de creditare pe baza tipului și istoricului clientului
Evaluarea performanței Machine Learning Algoritmi
- Validare încrucișată și reeșantionare
- Bootstrap agregare (bagging)
- Exercițiu
Modelarea deciziilor Business cu învățare nesupravegheată
- Atunci când nu sunt disponibile seturi de date eșantion
- Gruparea K-means
- Provocări ale învățării nesupravegheate
- Dincolo de K-means
- Rețele Bayes și modele Markov ascunse
- Exercițiu
Activitate practică: Construirea unui sistem de recomandare
- Analiza comportamentului clienților din trecut pentru îmbunătățirea noilor oferte de servicii
Extinderea capacităților companiei dvs.
- Dezvoltarea de modele în cloud
- Accelerarea învățării automate cu GPU
- Aplicarea rețelelor neuronale Deep Learning pentru vederea pe calculator, recunoașterea vocii și analiza textului
Observații finale
Cerințe
- Experiență cu programarea Python
- Familiaritate de bază cu statistica și algebra liniară
21 ore
Mărturii (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curs - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
