Schulungsübersicht

Einführung

  • Unterschied zwischen statistischem Lernen (statistische Analyse) und maschinellem Lernen
  • Übernahme von Technologien und Talenten des maschinellen Lernens durch Finanz- und Bankunternehmen

Verschiedene Arten von Machine Learning

  • Überwachtes Lernen vs. unüberwachtes Lernen
  • Iteration und Bewertung
  • Kompromiss zwischen Verzerrung und Varianz
  • Kombination von überwachtem und unüberwachtem Lernen (semi-supervised learning)

Machine Learning Languages und Toolsets

  • Open Source vs. proprietäre Systeme und Software
  • Python vs. R vs. Matlab
  • Bibliotheken und Frameworks

Machine Learning Fallstudien

  • Verbraucherdaten und Big Data
  • Risikobewertung bei Verbraucher- und Geschäftskrediten
  • Verbesserung des Kundenservices durch Stimmungsanalyse
  • Erkennung von Identitätsbetrug, Rechnungsbetrug und Geldwäsche

Praktische Anwendung: Python für Machine Learning

  • Vorbereiten der Entwicklungsumgebung
  • Beschaffung von Python Bibliotheken und Paketen für maschinelles Lernen
  • Arbeiten mit scikit-learn und PyBrain

Wie man Machine Learning-Daten lädt

  • Databases, Data Warehouses und Streaming-Daten
  • Verteilte Speicherung und Verarbeitung mit Hadoop und Spark
  • Exportierte Daten und Excel

Modellierung Business von Entscheidungen mit überwachtem Lernen

  • Klassifizierung Ihrer Daten (Klassifizierung)
  • Verwendung der Regressionsanalyse zur Vorhersage von Ergebnissen
  • Auswahl aus verfügbaren Algorithmen für maschinelles Lernen
  • Verständnis von Entscheidungsbaum-Algorithmen
  • Verstehen von Random-Forest-Algorithmen
  • Modellauswertung
  • Übung

Regressionsanalyse

  • Lineare Regression
  • Verallgemeinerungen und Nichtlinearität
  • Übung

Klassifikation

  • Bayessche Auffrischung
  • Naiver Bayes
  • Logistische Regression
  • K-Nächste Nachbarn
  • Übung

Praktische Übung: Aufbau eines Schätzungsmodells

  • Bewertung des Kreditrisikos auf der Grundlage von Kundentyp und -historie

Evaluierung der Leistung von Machine Learning Algorithmen

  • Kreuzvalidierung und Resampling
  • Bootstrap Aggregation (Bagging)
  • Übung

Modellierung von Business Entscheidungen mit unüberwachtem Lernen

  • Wenn keine Beispieldatensätze verfügbar sind
  • K-means Clustering
  • Herausforderungen des unüberwachten Lernens
  • Jenseits von K-means
  • Bayes-Netzwerke und versteckte Markov-Modelle
  • Übung

Praktische Übung: Aufbau eines Empfehlungssystems

  • Analyse des bisherigen Kundenverhaltens zur Verbesserung neuer Serviceangebote

Erweitern der Fähigkeiten Ihres Unternehmens

  • Entwickeln von Modellen in der Cloud
  • Beschleunigung des maschinellen Lernens mit GPU
  • Anwendung von Deep Learning neuronalen Netzen für Computer Vision, Spracherkennung und Textanalyse

Schlussbemerkungen

Voraussetzungen

  • Erfahrungen mit Python-Programmierung
  • Grundlegende Vertrautheit mit Statistik und linearer Algebra
  21 Stunden

Teilnehmerzahl



Preis je Teilnehmer

Kombinierte Kurse

Verwandte Kategorien