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.