In diesem Kurs programmieren Sie in Python und verwenden dabei die gängigsten Tools und Bibliotheken von Data Science und Sie erfahren, wie Sie es für erweiterte statistische Analysen, Datenvorverarbeitung und -transformation, die Entwicklung von Datenvisualisierungen und die Entwicklung von Vorhersagemodellen zur Lösung einer Vielzahl von Problemen verwenden.
Der Kurs beinhaltet praktische Übungen für jedes Modul (mit direkter Anwendbarkeit im Bankwesen), so dass Sie nicht nur die Theorie erlernen, sondern sich auch mit der praktischen Seite der Erstellung eigener Modelle befassen, die Sie dann als Ausgangspunkt für die Erstellung verwenden können Ihre eigenen Projekte.
Sie erfahren außerdem, wie Sie durch maschinelle Lernalgorithmen entwickelte Modelle verbessern können, indem Sie sich mit den Konzepten hoher Verzerrung (Unteranpassung), hoher Streuung (Überanpassung) und Kreuzvalidierung befassen und erfahren, wie Hyperparameter die Leistung von Modellen verbessern können (Hyperparameter-Tuning). ).
- Künstliche Intelligenz und maschinelles Lernen definieren und deren Bedeutung und Anwendungen in verschiedenen Bereichen verstehen.
- Identifizieren Sie verschiedene Arten des maschinellen Lernens, z. B. überwachtes, unüberwachtes und verstärkendes Lernen, und verstehen Sie ihre spezifischen Anwendungsfälle.
- Verständnis des Modelllebenszyklus und der wesentlichen Schritte beim Aufbau eines Modells für maschinelles Lernen von der Datenerfassung bis zur Bereitstellung.
- Durchführen einer explorativen Datenanalyse (EDA), um Einblicke in den Datensatz zu gewinnen, Muster zu identifizieren und Beziehungen zwischen Variablen zu verstehen.
- Kenntnisse über Datenvorverarbeitungstechniken zur Bereinigung und Vorbereitung von Daten für maschinelle Lernalgorithmen, einschließlich der Behandlung fehlender Werte und der Behandlung von Ausreißern.
- Erkunden Sie verschiedene Algorithmen für maschinelles Lernen, die für Klassifizierung, Regression, Clustering und andere verwendet werden, und verstehen Sie deren Stärken und Schwächen.
- Implementierung eines praktischen Beispiels für überwachtes Lernen zur Kreditklassifizierung zur Vorhersage von Ausfällen, Sammeln praktischer Erfahrungen beim Aufbau eines Vorhersagemodells.
- Beherrschung von Feature-Engineering-Techniken, einschließlich Umgang mit fehlenden Werten, Umgang mit Ausreißern, Umgang mit seltenen Kategorien und Verarbeitung kategorialer Variablen für maschinelles Lernen.
- Verstehen der Bedeutung der Funktionsauswahl zur Verbesserung der Modellleistung und Reduzierung der Komplexität, Erkundung von Filtermethoden, Einbettungsmethoden und Wrapping-Methoden.
- Gewinnen Sie einen Einblick in die Bedeutung der Dimensionsreduktion für die Modellierung und identifizieren Sie geeignete Techniken zur Erzielung einer Dimensionsreduktion.
- Anwenden von Filtermethoden (z. B. Basissätze, Korrelation, statistische Maße) zur Auswahl von Merkmalen, um zu verstehen, wie diese die Modellleistung beeinflussen.
- Implementierung integrierter Methoden (z. B. Lasso, Random Forest), um während des Modelltrainingsprozesses automatisch eine Merkmalsauswahl durchzuführen.
- Erkundung agnostischer Methoden wie der rekursiven Merkmalseliminierung (RFE), um iterativ die wichtigsten Merkmale für die Modellierung auszuwählen.
- Entwickeln Sie praktische Python-Programmierkenntnisse für maschinelles Lernen mithilfe beliebter Bibliotheken wie NumPy, Pandas, Scikit-learn und anderen.
- Grundkenntnisse der Python-Programmierung.
- Grundlagen der linearen Algebra und Differentialrechnung.
- Ein Verständnis der grundlegenden Konzepte von Statistik und Wahrscheinlichkeit.
- Was ist künstliche Intelligenz und maschinelles Lernen?
- Arten des maschinellen Lernens
- Modelllebenszyklus: Schritte beim Erstellen eines Modells
- Explorative Datenanalyse
- Datenvorverarbeitung
- Algorithmen für maschinelles Lernen
- Praktisches Beispiel für überwachtes Lernen: Kreditklassifizierung zur Vorhersage von Zahlungsausfällen
- Feature-Engineering:
- Techniken zum Umgang mit fehlenden Werten
- Behandlung extremer Werte
- Behandlung seltener Kategorien
- Mehrere Techniken zum Umgang mit kategorialen Variablen
- Datenverarbeitungs- und Transformationstechniken, die für die Hauptgruppen maschineller Lernalgorithmen erforderlich sind
- Funktionsauswahl (Filtermethoden, eingebettete Methoden, Wrapper-Methoden)
- Die Bedeutung der Dimensionsraumreduktion für die Modellierung
- Anwenden von Filtermethoden (Kerne, Korrelation, statistische Maße)
- Anwendung integrierter Methoden (Lasso, Random Forest usw.)
- Anwendungsunabhängige Methoden (RFE)
Derzeit gibt es keine Empfehlungen.
Nach diesem Kurs erhalten Sie ein Abschlusszertifikat.
