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
 

Cursos Relacionados

Categorias Relacionadas