1、培训过程中，如有部分内容理解不透或消化不好，可免费在以后培训班中重听；
        2、课程完成后,授课老师留给学员手机和Email,保障培训效果,免费提供课后答疑。
        3、培训合格学员可享受免费推荐就业机会。

介绍

统计学习（统计分析）和机器学习之间的区别
金融和银行公司采用机器学习技术及招募相关人才
不同类型的机器学习

有监督学习 vs 无监督学习
迭代和评估
偏差方差权衡
结合有监督学习和无监督学习（半监督学习）
机器学习语言和工具集

开源 vs 专有系统和软件
Python vs R vs Matlab
库和框架
机器学习案例研究

消费者数据和大数据
评估消费者和商业贷款的风险
通过情感分析改善客户服务
检测身份欺诈、帐单欺诈和洗钱
实践：用于机器学习的Python

准备开发环境
获取Python机器学习库和包
使用scikit-learn和PyBrain
如何加载机器学习数据

数据库、数据仓库和流数据
使用Hadoop和Spark进行分布式存储和处理
导出的数据和Excel
在有监督学习的情况下对业务决策进行建模

对您的数据进行分类（分类）
使用回归分析来预测结果
从可用的机器学习算法中选择
理解决策树算法
理解随机森林算法
模型评估
练习
回归分析

线性回归
概括和非线性
练习
分类

Bayesian refresher
朴素贝叶斯（Naive Bayes）方法
逻辑回归
k最近邻算法
练习
实践：建立一个估计模型

根据客户类型和历史来评估贷款风险
评估机器学习算法的性能

交叉验证和重采样
Bootstrap aggregation (bagging)
练习
在无监督学习的情况下对业务决策进行建模

样本数据集不可用时
K均值聚类
无监督学习的挑战
超越均值（K-means）
贝叶斯（Bayes）网络和马尔可夫（Markov）隐藏模型
练习
实践：建立一个推荐系统

分析过去的客户行为以改进新的服务产品
扩展您公司的能力

在云中开发模型
借助GPU加速机器学习
运用深度学习神经网络进行计算机视觉、语音识别和文本分析