Struttura del corso

Introduzione

  • Differenza tra apprendimento statistico (analisi statistica) e apprendimento automatico
  • Adozione della tecnologia e del talento del machine learning da parte delle società finanziarie e bancarie

Diversi tipi di Machine Learning

  • Apprendimento supervisionato vs apprendimento non supervisionato
  • Iterazione e valutazione
  • Compromesso distorsione-varianza
  • Combinare l'apprendimento supervisionato e non supervisionato (apprendimento semi-supervisionato)

Machine Learning Linguaggi e set di strumenti

  • Sistemi e software open source e proprietari a confronto
  • Python Contro R vs Matlab
  • Librerie e framework

Machine Learning Casi di studio

  • Dati dei consumatori e big data
  • Valutazione del rischio nel credito al consumo e alle imprese
  • Migliorare il servizio clienti attraverso l'analisi del sentiment
  • Rilevamento di frodi di identità, frodi di fatturazione e riciclaggio di denaro

Hands-on: Python per l'apprendimento automatico

  • Preparazione dell'ambiente di sviluppo
  • Ottenere Python librerie e pacchetti di machine learning
  • Lavorare con scikit-learn e PyBrain

Come caricare Machine Learning i dati

  • Database, data warehouse e flussi di dati
  • Archiviazione ed elaborazione distribuite con Hadoop e Spark
  • Dati esportati ed Excel

Modellazione Business delle decisioni con l'apprendimento supervisionato

  • Classificazione dei dati (classificazione)
  • Utilizzo dell'analisi di regressione per stimare il risultato
  • Scelta tra gli algoritmi di machine learning disponibili
  • Informazioni sugli algoritmi dell'albero decisionale
  • Informazioni sugli algoritmi della foresta casuale
  • Valutazione del modello
  • Esercizio

Analisi di regressione

  • Regressione lineare
  • Generalizzazioni e non linearità
  • Esercizio

Classificazione

  • Aggiornamento bayesiano
  • Ingenuo Bayes
  • Regressione logistica
  • K-Vicini più prossimi
  • Esercizio

Hands-on: Creazione di un modello di stima

  • Valutazione del rischio di prestito in base al tipo di cliente e alla cronologia

Valutazione delle prestazioni di Machine Learning algoritmi

  • Convalida incrociata e ricampionamento
  • Bootstrap Aggregazione (insaccamento)
  • Esercizio

Modellazione Business delle decisioni con l'apprendimento non supervisionato

  • Quando i set di dati di esempio non sono disponibili
  • Clustering K-means
  • Le sfide dell'apprendimento non supervisionato
  • Oltre i mezzi K
  • Reti di Bayes e modelli nascosti di Markov
  • Esercizio

Hands-on: Creazione di un sistema di raccomandazione

  • Analizzare il comportamento passato dei clienti per migliorare le nuove offerte di servizi

Estendere le capacità della tua azienda

  • Sviluppo di modelli nel cloud
  • Accelerare l'apprendimento automatico con GPU
  • Applicazione di reti neurali di Deep Learning per la visione artificiale, il riconoscimento vocale e l'analisi del testo

Osservazioni conclusive

Requisiti

  • Esperienza con la programmazione Python
  • Familiarità di base con la statistica e l'algebra lineare
 21 ore

Numero di Partecipanti



Prezzo per Partecipante

Corsi relativi

Categorie relative