Schulungsübersicht

Einführung

  • Unterschied zwischen statistischem Lernen (statistische Analyse) und maschinellem Lernen
  • Einführung der Technologie 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
  • R vs. Python 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

Einführung in R

  • Installieren der RStudio IDE
  • Laden von R-Paketen
  • Datenstrukturen
  • Vektoren
  • Faktoren
  • Listen
  • Daten-Rahmen
  • Matrixes und Arrays

Wie man Machine LearningDaten lädt

  • Databases, Data Warehouses und Streaming-Daten
  • Verteilte Speicherung und Verarbeitung mit Hadoop und Spark
  • Importieren von Daten aus einer Datenbank
  • Importieren von Daten aus Excel und CSV

Modellierung Business Entscheidungen mit überwachtem Lernen

  • Klassifizierung Ihrer Daten (Klassifikation)
  • Verwendung von Regressionsanalysen zur Vorhersage von Ergebnissen
  • Auswahl aus verfügbaren Algorithmen für maschinelles Lernen
  • Verständnis von Entscheidungsbaum-Algorithmen
  • Verstehen von Random-Forest-Algorithmen
  • Auswertung von Modellen
  • 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

Bewertung 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 zusätzlichen GPUs
  • Anwendung von Deep Learning-Neuronalen Netzen für Computer Vision, Spracherkennung und Textanalyse

Schlussbemerkungen

Voraussetzungen

  • Programming Erfahrung mit einer beliebigen Sprache
  • Grundlegende Vertrautheit mit Statistik und linearer Algebra
  28 Stunden
 

Teilnehmerzahl


Beginnt

Endet


Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

Kombinierte Kurse

Verwandte Kategorien