Data Science i podstawy programowania w R

Cel szkolenia

Przedstawienie podstawowych metod w obszarze statystycznej analizy danych i uczenia maszynowego, wraz z typowymi zastosowaniami w obszarze ryzyka kredytowego.

Korzyści

• Uczestnicy szkolenia dowiedzą się:
  • jakiego rodzaju metody statystyczne i AI/ML są wykorzystywane w bankowości, w szczególności do analizy ryzyka kredytowego
  • jak korzystać z języka R
  • jak tworzyć modele data science i machine learning w R
  • jak wykorzystywać R w obszarze ryzyka kredytowego
• Omówienie metod uzupełnione o praktyczne przykłady

Zakres szkolenia

• Wprowadzenie do analizy danych statystycznych
  • Wprowadzenie do Data Science, Machine Learning i Sztucznej Inteligencji
  • Rozwój DS/ML/AI w ostatnich 25 latach
  • Najważniejsze koncepty statystyczne
  • Rodzaje modeli statystycznych
  • Modele liniowe i nieliniowe
  • Metody estymacji
  • Metody walidacji i wyboru modeli
  • Zasady działania testów statystycznych
• Wprowadzenie do uczenia maszynowego
  • Regresja, klasyfikacja, uczenie
  • Modele dyskretnego wyboru
  • Próba niezbilansowana
  • Drzewa decyzyjne, lasy losowe, SVM
  • Ryzyko empiryczne i strukturalne (SLT)
  • Regularyzacja
  • AI i uczenie maszynowe
  • Sztuczne sieci neuronowe
  • Rodzaje sieci neuronowych
  • Metody uczenia sieci neuronowych
  • Zasady działania uczenia głębokiego
  • Nowoczesne architektury sieci neuronowych
  • Modele generatywne
  • Modele LLM
• Wprowadzenie do programowania w R
  • R i R Studio
  • Wczytywanie danych
  • Struktury danych i funkcje w R
  • Przetwarzanie danych
  • Modele regresji, drzewa decyzyjne, lasy losowe, SVM
  • Sztuczne sieci neuronowe – budowa i uczenie
  • Deep learning – budowa i uczenie
  • Łączenie R ze środowiskami do uczenia AI

Praca w R będzie oparta na specjalnie przygotowanych studiach przypadku z obszaru ryzyka kredytowego.

Adresaci

Analitycy i osoby współpracujące ze specjalistami w dziedzinie analizy danych i machine learning, chcące zyskać zrozumienie podstaw takich metod, z naciskiem na praktyczne zastosowania w obszarze ryzyka kredytowego.