În cadrul acestui curs veți programa în Python, folosind cele mai populare instrumente și librării de Data Science și veți învăța cum să-l utilizați pentru analize statistice avansate, pre-procesare și transformare a datelor, dezvoltarea vizualizărilor de date și dezvoltarea de modele predictive pentru a rezolva o varietate de probleme.
Cursul are exerciții practice pentru fiecare modul (cu aplicabilitate directă în domeniul bancar), deci nu numai că veți învăța teoria, dar veți aborda și partea practică în construirea propriilor modele, pe care le puteți utiliza în continuare ca puncte de plecare în construirea propriilor proiecte.
De asemenea, veți învăța cum să îmbunătățiți modelele dezvoltate prin algoritmii de învățare automată, prin aprofundarea conceptelor de bias ridicat (underfitting), dispersie ridicată (overfitting), validarea comparativă (cross-validation) și modul în care hiperparametrii ar putea îmbunătăți performanța modelelor (hyper-parameter tuning).
- Definirea inteligenței artificiale și a învățării automate, înțelegerea semnificației și aplicațiilor acestora în diverse domenii.
- Identificarea diferitelor tipuri de învățare automată, cum ar fi învățarea supravegheată, nesupravegheată și de întărire, și înțelegerea cazurilor de utilizare specifice acestora.
- Înțelegerea ciclului de viață al modelului și a etapelor esențiale implicate în construirea unui model de învățare automată, de la colectarea de date până la implementare.
- Efectuarea de analize exploratorii de date (EDA) pentru a obține informații despre setul de date, pentru a identifica modele și pentru a înțelege relațiile dintre variabile.
- Cunoașterea tehnicilor de preprocesare a datelor pentru a curăța și a pregăti datele pentru algoritmii de învățare automată, inclusiv manipularea valorilor lipsă și tratarea valorilor aberante.
- Explorarea diverșilor algoritmi de învățare automată utilizați pentru clasificare, regresie, clusterizare și altele, înțelegând punctele forte și punctele slabe ale acestora.
- Implementarea unui exemplu practic de învățare supravegheată pentru clasificarea împrumuturilor în vederea prezicerii neplăților, dobândind experiență practică în construirea unui model predictiv.
- Stăpânirea tehnicilor de inginerie a caracteristicilor, inclusiv gestionarea valorilor lipsă, tratarea valorilor aberante, abordarea categoriilor rare și prelucrarea variabilelor categoriale pentru învățarea automată.
- Înțelegerea semnificației selecției caracteristicilor pentru a îmbunătăți performanța modelului și a reduce complexitatea, explorând metodele de filtrare, metodele încorporate și metodele de înfășurare.
- Obținerea de informații despre importanța reducerii spațiului dimensional pentru modelare și identificarea tehnicilor adecvate pentru realizarea reducerii dimensionalității.
- Aplicarea metodelor de filtrare (de exemplu, elemente de bază, corelație, măsuri statistice) pentru selectarea caracteristicilor, înțelegând modul în care acestea influențează performanța modelului.
- Implementarea metodelor încorporate (de exemplu, Lasso, Random Forest) pentru a efectua automat selecția caracteristicilor în timpul procesului de formare a modelului.
- Explorarea metodelor agnostice, cum ar fi eliminarea recursivă a caracteristicilor (RFE), pentru a selecta iterativ cele mai importante caracteristici pentru modelare.
- Dezvoltarea abilităților practice de programare Python pentru învățarea automată, utilizând biblioteci populare precum NumPy, Pandas, Scikit-learn și altele.
- Cunoștințe de bază în programare în Python.
- Fundamente de algebră liniară și calcul diferențial.
- O înțelegere a conceptelor fundamentale de statistici și probabilități.
- Ce este Inteligența Artificială și Machine Learning?
- Tipuri de Machine Learning
- Ciclul de viață al modelului: Pașii în construirea unui model
- Analiză exploratorie a datelor
- Preprocesarea datelor
- Algoritmi de Machine Learning
- Exemplu practic de Învățare Supervizată: Clasificarea împrumuturilor pentru a prezice neplată
- Feature Engineering:
- Tehnici de tratare a valorilor lipsă
- Tratamentul valorilor extreme
- Tratamentul categoriilor rare
- Multiple tehnici pentru tratamentul variabilelor categorice
- Tehnici de procesare și transformare a datelor necesare pentru principalele grupuri de algoritmi de învățare automată
- Feature Selection (Filter Methods, Embedded Methods, Wrapper Methods)
- Importanța reducerii spațiului dimensional pentru modelare
- Aplicarea metodelor de filtrare (elemente de bază, corelație, măsuri statistice)
- Aplicarea metodelor încorporate (lasso, random forrest, etc.)
- Aplicarea metodelor agnostice (RFE)
Nu sunt recomandări în acest moment.
În urma acestui curs, veți primi un certificat de absolvire.
