介紹
統計學習(統計分析)和機器學習之間的區別
金融和銀行公司采用機器學習技術及招募相關人才
不同類型的機器學習
有監督學習 vs 無監督學習
迭代和評估
偏差方差權衡
結合有監督學習和無監督學習(半監督學習)
機器學習語言和工具集
開源 vs 專有系統和軟件
Python vs R vs Matlab
庫和框架
機器學習案例研究
消費者數據和大數據
評估消費者和商業貸款的風險
通過情感分析改善客戶服務
檢測身份欺詐、帳單欺詐和洗錢
實踐:用于機器學習的Python
準備開發環境
獲取Python機器學習庫和包
使用scikit-learn和PyBrain
如何加載機器學習數據
數據庫、數據倉庫和流數據
使用Hadoop和Spark進行分布式存儲和處理
導出的數據和Excel
在有監督學習的情況下對業務決策進行建模
對您的數據進行分類(分類)
使用回歸分析來預測結果
從可用的機器學習算法中選擇
理解決策樹算法
理解隨機森林算法
模型評估
練習
回歸分析
線性回歸
概括和非線性
練習
分類
Bayesian refresher
樸素貝葉斯(Naive Bayes)方法
邏輯回歸
k近鄰算法
練習
實踐:建立一個估計模型
根據客戶類型和歷史來評估貸款風險
評估機器學習算法的性能
交叉驗證和重采樣
Bootstrap aggregation (bagging)
練習
在無監督學習的情況下對業務決策進行建模
樣本數據集不可用時
K均值聚類
無監督學習的挑戰
超越均值(K-means)
貝葉斯(Bayes)網絡和馬爾可夫(Markov)隱藏模型
練習
實踐:建立一個推薦系統
分析過去的客戶行為以改進新的服務產品
擴展您公司的能力
在云中開發模型
借助GPU加速機器學習
運用深度學習神經網絡進行計算機視覺、語音識別和文本分析 |