    機(jī)器學(xué)習(xí)用于銀行業(yè)務(wù)（使用R）培訓(xùn)

介紹

統(tǒng)計(jì)學(xué)習(xí)（統(tǒng)計(jì)分析）和機(jī)器學(xué)習(xí)之間的區(qū)別
金融和銀行公司采用機(jī)器學(xué)習(xí)技術(shù)
不同類型的機(jī)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(píng)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(jī)器學(xué)習(xí)語言和工具集

開源 vs 專有系統(tǒng)和軟件
R vs Python vs Matlab
庫和框架
機(jī)器學(xué)習(xí)案例研究

消費(fèi)者數(shù)據(jù)和大數(shù)據(jù)
評(píng)估消費(fèi)者和商業(yè)貸款的風(fēng)險(xiǎn)
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
R的介紹

安裝RStudio IDE
加載R的包
數(shù)據(jù)結(jié)構(gòu)
向量（Vector）
因素（Factor）
列表（List）
數(shù)據(jù)幀
矩陣和陣列
如何加載機(jī)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(jìn)行分布式存儲(chǔ)和處理
從數(shù)據(jù)庫導(dǎo)入數(shù)據(jù)
從Excel和CSV導(dǎo)入數(shù)據(jù)
在有監(jiān)督學(xué)習(xí)的情況下對(duì)業(yè)務(wù)決策進(jìn)行建模

對(duì)您的數(shù)據(jù)進(jìn)行分類（分類）
使用回歸分析來預(yù)測結(jié)果
從可用的機(jī)器學(xué)習(xí)算法中選擇
理解決策樹算法
理解隨機(jī)森林算法
模型評(píng)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近鄰算法
練習(xí)
實(shí)踐：建立一個(gè)估計(jì)模型

根據(jù)客戶類型和歷史來評(píng)估貸款風(fēng)險(xiǎn)
評(píng)估機(jī)器學(xué)習(xí)算法的性能

交叉驗(yàn)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(duì)業(yè)務(wù)決策進(jìn)行建模

樣本數(shù)據(jù)集不可用時(shí)
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(shí)踐：建立一個(gè)推薦系統(tǒng)

分析過去的客戶行為以改進(jìn)新的服務(wù)產(chǎn)品
擴(kuò)展您公司的能力

在云中開發(fā)模型
借助額外的GPU加速機(jī)器學(xué)習(xí)
運(yùn)用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算機(jī)視覺、語音識(shí)別和文本分析