Data Science i podstawy programowania w R

Dlaczego warto

Chcesz opanować praktyczną wiedzę w obszarze statystycznej analizy danych i uczenia maszynowego? To szkolenie pozwoli Ci poznać kluczowe techniki i metody, które są wykorzystywane w bankowości, szczególnie do analizy ryzyka kredytowego. Dzięki niemu będziesz w stanie samodzielnie tworzyć i wdrażać modele oparte na danych, korzystając z języka programowania R.

Czego się nauczysz

• Poznasz metody statystyczne i AI/ML wykorzystywane w bankowości, ze szczególnym uwzględnieniem analizy ryzyka kredytowego.
• Będziesz w stanie tworzyć i wdrażać podstawowe modele data science i machine learning w języku R.
• Dowiesz się, jak wykorzystywać R do rozwiązywania problemów w obszarze ryzyka kredytowego.
• Zyskasz praktyczną wiedzę, popartą przykładami i case studies z sektora bankowego.
• Zrozumiesz najważniejsze koncepty statystyczne i zasady działania uczenia maszynowego.

Certyfikat i egzamin

Po ukończeniu szkolenia otrzymasz imienny certyfikat potwierdzający zdobyte umiejętności w zakresie analizy danych i programowania w R. Nie ma egzaminu końcowego – wystarczy aktywne uczestnictwo w zajęciach.

Dla kogo

Ten kurs jest dla analityków i osób współpracujących ze specjalistami w dziedzinie analizy danych i machine learning, które chcą zdobyć solidne podstawy w tych obszarach, z naciskiem na praktyczne zastosowania w ryzyku kredytowym.

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.