Course Outline

Εισαγωγή

    Διαφορά μεταξύ στατιστικής μάθησης (στατιστική ανάλυση) και μηχανικής μάθησης Υιοθέτηση τεχνολογίας μηχανικής μάθησης από χρηματοοικονομικές και τραπεζικές εταιρείες

Διαφορετικοί τύποι Machine Learning

    Εποπτευόμενη μάθηση έναντι μη εποπτευόμενης μάθησης Επανάληψη και αξιολόγηση Ανταλλαγή μεροληψίας-διακύμανσης Συνδυασμός εποπτευόμενης και μη εποπτευόμενης μάθησης (ημι-εποπτευόμενη μάθηση)

Machine Learning Γλώσσες και σύνολα εργαλείων

    Ανοιχτού κώδικα έναντι ιδιόκτητων συστημάτων και λογισμικού R εναντίον Python έναντι Βιβλιοθηκών και πλαισίων Matlab

Machine Learning Μελέτες περίπτωσης

    Δεδομένα καταναλωτή και μεγάλα δεδομένα Εκτίμηση κινδύνου στον καταναλωτή και στον επιχειρηματικό δανεισμό Βελτίωση της εξυπηρέτησης πελατών μέσω ανάλυσης συναισθήματος Ανίχνευση απάτης ταυτότητας, απάτης τιμολόγησης και νομιμοποίησης εσόδων από παράνομες δραστηριότητες

Εισαγωγή στο R

    Εγκατάσταση του RStudio IDE Φόρτωση πακέτων R Δομές δεδομένων Διανύσματα Παράγοντες Λίστες Πλαίσια δεδομένων Matrix και πίνακες

Τρόπος φόρτωσης Machine Learning δεδομένων

    Βάσεις δεδομένων, αποθήκες δεδομένων και ροή δεδομένων Κατανεμημένη αποθήκευση και επεξεργασία με Hadoop και Spark Εισαγωγή δεδομένων από βάση δεδομένων Εισαγωγή δεδομένων από Excel και CSV

Μοντελοποίηση Business Αποφάσεις με εποπτευόμενη μάθηση

    Ταξινόμηση των δεδομένων σας (ταξινόμηση) Χρήση ανάλυσης παλινδρόμησης για την πρόβλεψη του αποτελέσματος Επιλογή από τους διαθέσιμους αλγόριθμους μηχανικής μάθησης Κατανόηση αλγορίθμων δέντρων αποφάσεων Κατανόηση αλγορίθμων τυχαίων δασών Αξιολόγηση μοντέλου Άσκηση

Ανάλυση παλινδρόμησης

    Άσκηση γραμμικής παλινδρόμησης Γενικεύσεις και μη γραμμικότητας

Ταξινόμηση

    Μπεϋζιανή ανανέωση Naive Bayes Logistic regression K-Κοντινότεροι γείτονες Άσκηση

Hands-on: Δημιουργία ενός μοντέλου εκτίμησης

    Εκτίμηση του κινδύνου δανεισμού με βάση τον τύπο και το ιστορικό του πελάτη

Αξιολόγηση της απόδοσης Machine Learning Αλγορίθμων

    Διασταυρούμενη επικύρωση και επαναδειγματοληψία Bootstrap άθροιση (συσκευασία) Άσκηση

Μοντελοποίηση Business Αποφάσεις με μάθηση χωρίς επίβλεψη

    Όταν τα δείγματα συνόλων δεδομένων δεν είναι διαθέσιμα Ομαδοποίηση K-means Προκλήσεις μάθησης χωρίς επίβλεψη Πέρα από τα δίκτυα K-means Bayes και την άσκηση Markov Hidden Models

Hands-on: Δημιουργία συστήματος συστάσεων

    Ανάλυση προηγούμενης συμπεριφοράς πελατών για τη βελτίωση των νέων προσφορών υπηρεσιών

Επέκταση των δυνατοτήτων της εταιρείας σας

    Ανάπτυξη μοντέλων στο cloud Επιτάχυνση μηχανικής εκμάθησης με επιπλέον GPUs Εφαρμογή νευρωνικών δικτύων Deep Learning για όραση υπολογιστή, αναγνώριση φωνής και ανάλυση κειμένου

Τελευταία σχόλια

Requirements

  • Programming εμπειρία με οποιαδήποτε γλώσσα
  • Βασική εξοικείωση με τη στατιστική και τη γραμμική άλγεβρα
  28 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Related Courses

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Related Categories