介紹
統(tǒng)計學(xué)習(xí)（統(tǒng)計分析）和機器學(xué)習(xí)之間的區(qū)別
金融和銀行公司采用機器學(xué)習(xí)技術(shù)及招募相關(guān)人才
不同類型的機器學(xué)習(xí)
有監(jiān)督學(xué)習(xí) vs 無監(jiān)督學(xué)習(xí)
迭代和評估
偏差方差權(quán)衡
結(jié)合有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)（半監(jiān)督學(xué)習(xí)）
機器學(xué)習(xí)語言和工具集
開源 vs 專有系統(tǒng)和軟件
Python vs R vs Matlab
庫和框架
機器學(xué)習(xí)案例研究
消費者數(shù)據(jù)和大數(shù)據(jù)
評估消費者和商業(yè)貸款的風(fēng)險
通過情感分析改善客戶服務(wù)
檢測身份欺詐、帳單欺詐和洗錢
實踐：用于機器學(xué)習(xí)的Python
準(zhǔn)備開發(fā)環(huán)境
獲取Python機器學(xué)習(xí)庫和包
使用scikit-learn和PyBrain
如何加載機器學(xué)習(xí)數(shù)據(jù)
數(shù)據(jù)庫、數(shù)據(jù)倉庫和流數(shù)據(jù)
使用Hadoop和Spark進行分布式存儲和處理
導(dǎo)出的數(shù)據(jù)和Excel
在有監(jiān)督學(xué)習(xí)的情況下對業(yè)務(wù)決策進行建模
對您的數(shù)據(jù)進行分類（分類）
使用回歸分析來預(yù)測結(jié)果
從可用的機器學(xué)習(xí)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(xí)
回歸分析
線性回歸
概括和非線性
練習(xí)
分類
Bayesian refresher
樸素貝葉斯（Naive Bayes）方法
邏輯回歸
k最近鄰算法
練習(xí)
實踐：建立一個估計模型
根據(jù)客戶類型和歷史來評估貸款風(fēng)險
評估機器學(xué)習(xí)算法的性能
交叉驗證和重采樣
Bootstrap aggregation (bagging)
練習(xí)
在無監(jiān)督學(xué)習(xí)的情況下對業(yè)務(wù)決策進行建模
樣本數(shù)據(jù)集不可用時
K均值聚類
無監(jiān)督學(xué)習(xí)的挑戰(zhàn)
超越均值（K-means）
貝葉斯（Bayes）網(wǎng)絡(luò)和馬爾可夫（Markov）隱藏模型
練習(xí)
實踐：建立一個推薦系統(tǒng)
分析過去的客戶行為以改進新的服務(wù)產(chǎn)品
擴展您公司的能力
在云中開發(fā)模型
借助GPU加速機器學(xué)習(xí)
運用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進行計算機視覺、語音識別和文本分析 |
首頁 課程表 在線聊 報名 講師 品牌 QQ聊 活動 就業(yè)