Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Programa do Curso
Introdução
- Diferença entre aprendizado estatístico (análise estatística) e aprendizado de máquina
- Adoção de tecnologia e talentos de aprendizado de máquina por empresas financeiras e bancárias
Diferentes tipos de Machine Learning
- Aprendizagem supervisionada versus aprendizagem não supervisionada
- Iteração e avaliação
- Troca de polarização-variância
- Combinando aprendizagem supervisionada e não supervisionada (aprendizagem semissupervisionada)
Machine Learning Languages e conjuntos de ferramentas
- Sistemas e software de código aberto versus proprietários
- Python vs R vs Matlab
- Bibliotecas e estruturas
Machine Learning Estudos de caso
- Dados do consumidor e big data
- Avaliação do risco em empréstimos ao consumidor e às empresas
- Melhorando o atendimento ao cliente por meio da análise de sentimento
- Detecção de fraude de identidade, fraude de cobrança e lavagem de dinheiro
Prática: Python para Machine Learning
- Preparando o Ambiente de Desenvolvimento
- Obtenção Python de bibliotecas e pacotes de aprendizado de máquina
- Trabalhando com scikit-learn e PyBrain
Como carregar Machine Learning dados
- Databases, data warehouses e streaming de dados
- Armazenamento e processamento distribuído com Hadoop e Spark
- Dados exportados e Excel
Modelagem Business Decisões com Aprendizagem Supervisionada
- Classificando seus dados (classificação)
- Usando análise de regressão para prever o resultado
- Escolhendo algoritmos de aprendizado de máquina disponíveis
- Compreendendo algoritmos de árvore de decisão
- Compreendendo algoritmos de floresta aleatória
- Avaliação do modelo
- Exercício
Análise de regressão
- Regressão linear
- Generalizações e Não Linearidade
- Exercício
Classificação
- Atualização bayesiana
- Baías ingénuas
- Regressão logística
- K-vizinhos mais próximos
- Exercício
Prática: Construindo um Modelo de Estimativa
- Avaliação do risco de empréstimo com base no tipo e histórico do cliente
Avaliando o desempenho de Machine Learning Algoritmos
- Validação cruzada e reamostragem
- Bootstrap agregação (ensacamento)
- Exercício
Modelagem Business Decisões com Aprendizagem Não Supervisionada
- Quando conjuntos de dados de amostra não estão disponíveis
- Agrupamento K-means
- Desafios da aprendizagem não supervisionada
- Além dos K-means
- Redes Bayes e modelos ocultos de Markov
- Exercício
Prática: Construindo um Sistema de Recomendação
- Analisar o comportamento anterior do cliente para melhorar novas ofertas de serviços
Ampliando as capacidades da sua empresa
- Desenvolvendo modelos na nuvem
- Acelerando o aprendizado de máquina com GPU
- Aplicando Deep Learning redes neurais para visão computacional, reconhecimento de voz e análise de texto
Observações finais
Requisitos
- Experiência em programação Python
- Familiaridade básica com estatística e álgebra linear
21 horas