Struttura del corso
Introduzione
- Differenza tra apprendimento statistico (analisi statistica) e apprendimento automatico
- Adozione della tecnologia e del talento dell'apprendimento automatico da parte delle società finanziarie e bancarie
Diversi tipi di Machine Learning
- Apprendimento supervisionato vs apprendimento non supervisionato
- Iterazione e valutazione
- Compromesso bias-varianza
- Combinare l'apprendimento supervisionato e non supervisionato (apprendimento semi-supervisionato)
Machine Learning Languages e set di strumenti
- Sistemi e software open source e proprietari
- Python contro R contro Matlab
- Librerie e framework
Machine Learning Casi di studio
- Dati dei consumatori e big data
- Valutazione del rischio nel credito al consumo e alle imprese
- Migliorare il servizio clienti attraverso l'analisi del sentiment
- Rilevamento di frodi di identità, frodi di fatturazione e riciclaggio di denaro
Hands-on: Python per Machine Learning
- Preparazione dell'ambiente di sviluppo
- Ottenere Python librerie e pacchetti di Machine Learning
- Lavorare con scikit-learn e PyBrain
Come caricare i dati Machine Learning
- Database, data warehouse e flussi di dati
- Storage ed elaborazione distribuiti con Hadoop e Spark
- Dati esportati e Excel
Modellazione Business Decisioni con l'apprendimento supervisionato
- Classificazione dei dati (classificazione)
- Utilizzo dell'analisi di regressione per prevedere l'esito
- Scelta tra gli algoritmi di machine learning disponibili
- Informazioni sugli algoritmi dell'albero delle decisioni
- Comprensione degli algoritmi delle foreste casuali
- Valutazione del modello
- Esercizio
Analisi di regressione
- Regressione lineare
- Generalizzazioni e non linearità
- Esercizio
Classificazione
- Ripasso bayesiano
- Naive Bayes
- Regressione logistica
- K-Vicini più prossimi
- Esercizio
Hands-on: Creazione di un modello di stima
- Valutazione del rischio di prestito in base al tipo di cliente e alla cronologia
Valutazione delle prestazioni degli algoritmi Machine Learning
- Convalida incrociata e ricampionamento
- Bootstrap Aggregazione (insaccamento)
- Esercizio
Modellazione Business Decisioni con l'apprendimento non supervisionato
- Quando i set di dati di esempio non sono disponibili
- Clustering K-means
- Sfide dell'apprendimento non supervisionato
- Oltre i K-means
- Reti di Bayes e modelli nascosti di Markov
- Esercizio
Hands-on: Costruire un sistema di raccomandazione
- Analisi del comportamento dei clienti passati per migliorare le nuove offerte di servizi
Ampliare le capacità della tua azienda
- Sviluppo di modelli nel cloud
- Accelerazione dell'apprendimento automatico con GPU
- Applicazione di Deep Learning reti neurali per la visione artificiale, il riconoscimento vocale e l'analisi del testo
Osservazioni conclusive
Requisiti
- Esperienza con la programmazione Python
- Familiarità di base con la statistica e l'algebra lineare
Recensioni (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Corso - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.