1、培訓過程中，如有部分內(nèi)容理解不透或消化不好，可免費在以后培訓班中重聽；
        2、培訓結(jié)束后,授課老師留給學員聯(lián)系方式,保障培訓效果,免費提供課后技術(shù)支持。
        3、培訓合格學員可享受免費推薦就業(yè)機會。

介紹

統(tǒng)計學習（統(tǒng)計分析）和機器學習之間的區(qū)別
金融和銀行公司采用機器學習技術(shù)
不同類型的機器學習

有監(jiān)督學習 vs 無監(jiān)督學習
迭代和評估
偏差方差權(quán)衡
結(jié)合有監(jiān)督學習和無監(jiān)督學習（半監(jiān)督學習）
機器學習語言和工具集

開源 vs 專有系統(tǒng)和軟件
R vs Python vs Matlab
庫和框架
機器學習案例研究

消費者數(shù)據(jù)和大數(shù)據(jù)
評估消費者和商業(yè)貸款的風險
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
如何加載機器學習數(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進行分布式存儲和處理
從數(shù)據(jù)庫導入數(shù)據(jù)
從Excel和CSV導入數(shù)據(jù)
在有監(jiān)督學習的情況下對業(yè)務(wù)決策進行建模

對您的數(shù)據(jù)進行分類（分類）
使用回歸分析來預測結(jié)果
從可用的機器學習算法中選擇
理解決策樹算法
理解隨機森林算法
模型評估
練習
回歸分析

線性回歸
概括和非線性
練習
分類

Bayesian refresher
樸素貝葉斯（Naive Bayes）方法
邏輯回歸
k最近鄰算法
練習
實踐：建立一個估計模型

根據(jù)客戶類型和歷史來評估貸款風險
評估機器學習算法的性能

交叉驗證和重采樣
Bootstrap aggregation (bagging)
練習
在無監(jiān)督學習的情況下對業(yè)務(wù)決策進行建模

樣本數(shù)據(jù)集不可用時
K均值聚類
無監(jiān)督學習的挑戰(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
實踐：建立一個推薦系統(tǒng)

分析過去的客戶行為以改進新的服務(wù)產(chǎn)品
擴展您公司的能力

在云中開發(fā)模型
借助額外的GPU加速機器學習
運用深度學習神經(jīng)網(wǎng)絡(luò)進行計算機視覺、語音識別和文本分析