🏦 Как машинное обучение (ML) меняет банковскую сферу? 🤖💼
🌐 В наше время банковская сфера сталкивается с огромными объемами данных, сложными регуляторными требованиями и постоянно меняющимися потребностями клиентов.
В таких условиях машинное обучение становится незаменимым инструментом для банков, помогающим преодолеть вызовы и сделать множество процессов более эффективными и точными. 👩💻📊
✨ Как ML изменяет банковскую индустрию? ✨
1️⃣ Кредитный скоринг и решение о выдаче кредитов: Машинное обучение позволяет банкам анализировать большие объемы данных и создавать модели, которые могут более точно оценить кредитоспособность клиентов и принимать решения о выдаче кредитов.
2️⃣ Обнаружение мошенничества: Машинное обучение помогает банкам выявлять аномалии и подозрительные события в данных, что позволяет оперативно реагировать на потенциальные мошеннические действия и обеспечивать безопасность клиентов.
3️⃣ Персонализированное обслуживание: С помощью машинного обучения банки могут анализировать данные клиентов и предлагать индивидуальные рекомендации и услуги, соответствующие их потребностям и предпочтениям. Это помогает повысить удовлетворенность клиентов и улучшить клиентский опыт.
4️⃣ Автоматизация процессов: Машинное обучение позволяет банкам автоматизировать рутинные и повторяющиеся задачи, такие как обработка документов, снижая риск ошибок и улучшая оперативность.
5️⃣ Прогнозирование и управление рисками: Машинное обучение помогает банкам проводить анализ данных и создавать модели для прогнозирования рисков и оптимизации управления портфелем, что способствует принятию более обоснованных решений.
💡 ML становится сильным союзником банков, позволяя им преодолеть сложности и получить преимущество в современной конкурентной среде. Это всего лишь некоторые примеры того, как банки используют машинное обучение для трансформации своей деятельности.
А в этом видео отвечаю на вопрос - на каких курсах обучаться ML для работника в финансовой сфере (и не только в финансовой сфере ).
🌐 В наше время банковская сфера сталкивается с огромными объемами данных, сложными регуляторными требованиями и постоянно меняющимися потребностями клиентов.
В таких условиях машинное обучение становится незаменимым инструментом для банков, помогающим преодолеть вызовы и сделать множество процессов более эффективными и точными. 👩💻📊
✨ Как ML изменяет банковскую индустрию? ✨
1️⃣ Кредитный скоринг и решение о выдаче кредитов: Машинное обучение позволяет банкам анализировать большие объемы данных и создавать модели, которые могут более точно оценить кредитоспособность клиентов и принимать решения о выдаче кредитов.
2️⃣ Обнаружение мошенничества: Машинное обучение помогает банкам выявлять аномалии и подозрительные события в данных, что позволяет оперативно реагировать на потенциальные мошеннические действия и обеспечивать безопасность клиентов.
3️⃣ Персонализированное обслуживание: С помощью машинного обучения банки могут анализировать данные клиентов и предлагать индивидуальные рекомендации и услуги, соответствующие их потребностям и предпочтениям. Это помогает повысить удовлетворенность клиентов и улучшить клиентский опыт.
4️⃣ Автоматизация процессов: Машинное обучение позволяет банкам автоматизировать рутинные и повторяющиеся задачи, такие как обработка документов, снижая риск ошибок и улучшая оперативность.
5️⃣ Прогнозирование и управление рисками: Машинное обучение помогает банкам проводить анализ данных и создавать модели для прогнозирования рисков и оптимизации управления портфелем, что способствует принятию более обоснованных решений.
💡 ML становится сильным союзником банков, позволяя им преодолеть сложности и получить преимущество в современной конкурентной среде. Это всего лишь некоторые примеры того, как банки используют машинное обучение для трансформации своей деятельности.
А в этом видео отвечаю на вопрос - на каких курсах обучаться ML для работника в финансовой сфере (и не только в финансовой сфере ).
❤5👍1👌1
📊 Начало пути в Data Science 📚
Если хочешь погрузиться в мир Data Science, начать учиться и достичь впечатляющих результатов, вот несколько ключевых шагов:
1️⃣ Познакомься со статистикой. Она является основой многих алгоритмов в Data Science. В DataWorkshop есть отдельный курс по статистике.
2️⃣ Освой программирование: Начните с Python, он наиболее распространен в сообществе Data Science. Изучи основные библиотеки для анализа данных, такие как Pandas, Numpy, и Matplotlib. В DataWorkshop есть отдельный курс по Python.
3️⃣ Познакомься с алгоритмами машинного обучения: изучи различные типы алгоритмов, такие как регрессия, классификация, кластеризация и нейронные сети. Понимание их принципов поможет эффективно применять их на практике. В DataWorkshop это можно изучить на курсе по Data Science и нейронным сетям.
4️⃣ Применяй на практике: Работай с реальными данными, участвуй в проектах и соревнованиях по анализу данных, таких как Kaggle. Практика поможет закрепить теорию и позволит Тебе развиваться как специалисту. В DataWorkshop практику можно получить как на курсах (при работе с реальными данными), так и в клубе 💪
5️⃣ Общайся с сообществом: Присоединяйся к сообществу DataWorkshop, где обсуждаются темы Data Science.
Не забывай, что Data Science - это постоянный процесс обучения и развития. Ставь перед собой конкретные цели, стремись к ним и не бойся испытывать новые подходы.
А здесь в коротком видео отвечаю на вопрос, относящийся к этой теме 🙂
@data_work
Если хочешь погрузиться в мир Data Science, начать учиться и достичь впечатляющих результатов, вот несколько ключевых шагов:
1️⃣ Познакомься со статистикой. Она является основой многих алгоритмов в Data Science. В DataWorkshop есть отдельный курс по статистике.
2️⃣ Освой программирование: Начните с Python, он наиболее распространен в сообществе Data Science. Изучи основные библиотеки для анализа данных, такие как Pandas, Numpy, и Matplotlib. В DataWorkshop есть отдельный курс по Python.
3️⃣ Познакомься с алгоритмами машинного обучения: изучи различные типы алгоритмов, такие как регрессия, классификация, кластеризация и нейронные сети. Понимание их принципов поможет эффективно применять их на практике. В DataWorkshop это можно изучить на курсе по Data Science и нейронным сетям.
4️⃣ Применяй на практике: Работай с реальными данными, участвуй в проектах и соревнованиях по анализу данных, таких как Kaggle. Практика поможет закрепить теорию и позволит Тебе развиваться как специалисту. В DataWorkshop практику можно получить как на курсах (при работе с реальными данными), так и в клубе 💪
5️⃣ Общайся с сообществом: Присоединяйся к сообществу DataWorkshop, где обсуждаются темы Data Science.
Не забывай, что Data Science - это постоянный процесс обучения и развития. Ставь перед собой конкретные цели, стремись к ним и не бойся испытывать новые подходы.
А здесь в коротком видео отвечаю на вопрос, относящийся к этой теме 🙂
@data_work
👍7🔥4❤3
А так выглядит мой новый офис (сегодня 😂).
На самом деле очень удобно, когда офис перемещается вместе с тобой (как и твоя работа). Хоть в шалаше можно ее делать, самое важное и так просходит в голове.
Поставь огонек 🔥 и будут тоже иногда посты про лайфаки и про жизнь.
P.S. Кстати, чтобы было понятно, это место где начинает ML работать и давать прибыль нашим партнерам и даже большие LLM модели - тюнятся весьма хорошо. 😎
На самом деле очень удобно, когда офис перемещается вместе с тобой (как и твоя работа). Хоть в шалаше можно ее делать, самое важное и так просходит в голове.
Поставь огонек 🔥 и будут тоже иногда посты про лайфаки и про жизнь.
P.S. Кстати, чтобы было понятно, это место где начинает ML работать и давать прибыль нашим партнерам и даже большие LLM модели - тюнятся весьма хорошо. 😎
🔥25❤1😁1
This media is not supported in your browser
VIEW IN TELEGRAM
Переменная — это символическое имя, которое используется для хранения данных в программировании. Она представляет собой область памяти, в которой можно хранить различные значения, такие как:
- числа,
- строки,
- булевы значения.
Переменные позволяют Data Scientist-ам/разработчикам оперировать и манипулировать данными, делая код более гибким и удобочитаемым.
Сравнение объявления переменных на разных языках приведено в gif-ке выше.
Даже на таком небольшом примере. как объявление переменных, заметно, что язык программирования Python делает это проще всего. При помощи Python создается чистый и лаконичный код.
И это одна из главных причин - почему Python - это язык № 1 в Data Science и популярность этого языка только растет. Про другие причины рассказал в этом коротком видео.
@data_work
- числа,
- строки,
- булевы значения.
Переменные позволяют Data Scientist-ам/разработчикам оперировать и манипулировать данными, делая код более гибким и удобочитаемым.
Сравнение объявления переменных на разных языках приведено в gif-ке выше.
Даже на таком небольшом примере. как объявление переменных, заметно, что язык программирования Python делает это проще всего. При помощи Python создается чистый и лаконичный код.
И это одна из главных причин - почему Python - это язык № 1 в Data Science и популярность этого языка только растет. Про другие причины рассказал в этом коротком видео.
@data_work
👍4❤1👨💻1
Кстати, знаешь/помнишь какие есть ограничения при создании переменной?
Anonymous Poll
16%
Нет, не помню 🙄
8%
Нет, не знаю 😬
76%
Знаю, но лучше напомни 😁
👍5
Требования к объявлению переменной на языке Python:
1️⃣ Имя переменной не может начинаться с цифры
2️⃣ В имени переменной должны использоваться только латинские буквы a-z, A-Z, цифры и символ нижнего подчеркивания (_)
3️⃣ Python — это язык, чувствительный к регистру. Переменная my_var и My_var — это две совершенно разные переменные. Для присвоения имени переменных принято использовать стиль lower_case_with_underscores (слова из маленьких букв с подчеркиваниями).
@data_work
1️⃣ Имя переменной не может начинаться с цифры
2️⃣ В имени переменной должны использоваться только латинские буквы a-z, A-Z, цифры и символ нижнего подчеркивания (_)
3️⃣ Python — это язык, чувствительный к регистру. Переменная my_var и My_var — это две совершенно разные переменные. Для присвоения имени переменных принято использовать стиль lower_case_with_underscores (слова из маленьких букв с подчеркиваниями).
@data_work
🔥7👍3❤2
This media is not supported in your browser
VIEW IN TELEGRAM
🔥4❤2👍1
Где сейчас у Тебя стекляный потолок с ML/DS?
Anonymous Poll
15%
Знаю где, уже пишу на мейл - vladimir@m.dataworkshop.eu
38%
Не знаю где, но уже ищу, очень хочу идти вперед, а то тянет не в ту сторону
19%
Не знаю где, даж и не думал(а), но раз говоришь что есть, то уже ищу
27%
Хм… интересный вопрос, а разве так можно было?
👍3❤2🔥2
Media is too big
VIEW IN TELEGRAM
Запускаем ламу 2 локально, хочешь узнать больше поддержи огоньком 🔥
🔥27👍1🎉1
Видишь нормальное распределение?
Anonymous Poll
53%
Да вижу, я уже курс по статистике сделал
34%
Да (вроде вижу)
13%
Нет, не вижу - где искать курс?
🔥5👌1
В наше время много говорят о галлюцинациях LLM, но что насчет галлюцинаций компьютерного зрения? 😂
#computervision
#computervision
😁10🔥2👍1
Слышал(а) про галлюцинациях LLM?
Anonymous Poll
21%
Да, изучаю тему
21%
Да, но не понятно что это
42%
Нет, а что естьт такое?
16%
Тут уже меня глючит по полной 😀
🔥3
Хочешь услышать, что общего между этой задачей (опросом)👆, машинным обучением, почему в этом опросе есть классическая ошибка, в чем именно оно заключается да и вообще что именно измеряет этот опрос и как это может быть полезно для Тебя? И есть ли хорошие люди (роботы) или… (да все-таки или, только или что?)
Тема очень интересная, напишу. Думаю написать больше, а может даже и вебинар сделаю. Но для начала приготовлю длинный пост (уже почти готов, вчера не мог уснуть - думал и сегодня вот написал). Поделюсь опытом, если это интересно. Сколько собираем огоньков. Штук 50 соберем? 🔥
P. S. в последнее время больше активничал https://www.instagram.com/dataworkshop.ml/ (уже со мной?), записывал много разных историй в формате сторис. В телеграмме сторис вроде есть, но здесь текст вроде более “съедобный”. Надо будет перенести на текст, иногда как найдет волна поделиться идеями, а пальцы не успевают так быстро писать 😎️️️.
Тема очень интересная, напишу. Думаю написать больше, а может даже и вебинар сделаю. Но для начала приготовлю длинный пост (уже почти готов, вчера не мог уснуть - думал и сегодня вот написал). Поделюсь опытом, если это интересно. Сколько собираем огоньков. Штук 50 соберем? 🔥
P. S. в последнее время больше активничал https://www.instagram.com/dataworkshop.ml/ (уже со мной?), записывал много разных историй в формате сторис. В телеграмме сторис вроде есть, но здесь текст вроде более “съедобный”. Надо будет перенести на текст, иногда как найдет волна поделиться идеями, а пальцы не успевают так быстро писать 😎️️️.
🔥15
Насчет эксперимента с таблетками (писал выше - про красную и синюю). Тема очень интересная и более глубокая, чем кажется.
Конкретно в этом эксперименте было сделано, как минимум, одно важное упущение - это контекст.
Хотя там и прозвучало слово статистика (что сразу делает все более серьезнее), но назвать это экспериментом в научном смысле нельзя (и тем более делать какие-либо выводы). Это можно легко проверить, запустив тот же самый эксперимент, результат будет другой - т.е. повторяемости нет.
Это классическая ошибка у тех, кто НЕ занимается анализом данным более глубоко, поэтому такое часто происходит. Мое внимание привлекла другая история, где случайно или нет, была затронута очень интересная и глубокая тема. Поделюсь мыслями, может кому-то будет интересно :)
Что не так с этим экспериментом? Потому что важен контекст и, в зависимости от него, могут быть две крайности. Сейчас объясню о двух крайних сценариях (которые в нашей природе не существуют - мы всегда находимся где-то между).
1️⃣ Сценарий первый - мир рай. В этом сценарии есть изобилие всего, отсутствует 100% конкуренция или борьба за что-либо (ресурсы - деньги, внимание и т.д.).
2️⃣ Сценарий второй - мир ад, полная противоположность первого сценария, очень жесткая конкуренция, все друг друга обманывают, большой дефицит ресурсов и т.д.
В зависимости от контекста (сценария), люди будут вести себя по-разному. У каждого человека есть своя точка “кипения”. К нашему счастью, большинство из нас никогда в ней не окажутся, и именно поэтому гораздо проще про себя думать хорошо (и это правильно, иначе психика человека слетит с катушек).
Если мы проведем эксперимент в рамках первого сценария, то большинство (ок. 100%) будут друг друга поддерживать, т.к. там нет риска и переживаний.
Во втором же сценарии, тот же самый эксперимент будет с обратным результатом. Каждый будет грести в свою сторону т.к. включается режим - “C волками жить по волчьи выть”. Кстати, есть так называемая дилемма заключенного. Вот она как раз-таки больше про сценарий 2.
Еще интересный вопрос - что было измерено в этом эксперименте? По сути в этом эксперименте был измерен “контекст”, в котором находятся люди. Раз большинство выбрало второй сценарий - это прежде всего говорит о тревожности и неопределенности, иными словами люди находятся ближе ко 2 сценарию, чем к первому.
Вообще, по-хорошему это даже не про людей, это про закон Природы (Архитекта, Бога - выбери, что больше нравится).
(Часть 1)
Конкретно в этом эксперименте было сделано, как минимум, одно важное упущение - это контекст.
Хотя там и прозвучало слово статистика (что сразу делает все более серьезнее), но назвать это экспериментом в научном смысле нельзя (и тем более делать какие-либо выводы). Это можно легко проверить, запустив тот же самый эксперимент, результат будет другой - т.е. повторяемости нет.
Это классическая ошибка у тех, кто НЕ занимается анализом данным более глубоко, поэтому такое часто происходит. Мое внимание привлекла другая история, где случайно или нет, была затронута очень интересная и глубокая тема. Поделюсь мыслями, может кому-то будет интересно :)
Что не так с этим экспериментом? Потому что важен контекст и, в зависимости от него, могут быть две крайности. Сейчас объясню о двух крайних сценариях (которые в нашей природе не существуют - мы всегда находимся где-то между).
В зависимости от контекста (сценария), люди будут вести себя по-разному. У каждого человека есть своя точка “кипения”. К нашему счастью, большинство из нас никогда в ней не окажутся, и именно поэтому гораздо проще про себя думать хорошо (и это правильно, иначе психика человека слетит с катушек).
Если мы проведем эксперимент в рамках первого сценария, то большинство (ок. 100%) будут друг друга поддерживать, т.к. там нет риска и переживаний.
Во втором же сценарии, тот же самый эксперимент будет с обратным результатом. Каждый будет грести в свою сторону т.к. включается режим - “C волками жить по волчьи выть”. Кстати, есть так называемая дилемма заключенного. Вот она как раз-таки больше про сценарий 2.
Еще интересный вопрос - что было измерено в этом эксперименте? По сути в этом эксперименте был измерен “контекст”, в котором находятся люди. Раз большинство выбрало второй сценарий - это прежде всего говорит о тревожности и неопределенности, иными словами люди находятся ближе ко 2 сценарию, чем к первому.
Вообще, по-хорошему это даже не про людей, это про закон Природы (Архитекта, Бога - выбери, что больше нравится).
(Часть 1)
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4❤1🔥1
Вот, например, еще в 2017 год в DeepMind (это компания, которая наделала шороху чуть ранее, выиграв в Alpha Go. Они сделали симуляцию - это была такая игра, в которой агенты должны были собирать яблоки.
Суть в том, что они не знали, что имеют дело с яблоками, поэтому на самом деле агенты были заинтересованы в сборе зеленых квадратиков, символизирующих яблоки. Квадратики, когда их “съедали” - появлялись новые. Виртуальные яблоки “рождались” снова через некоторое время.
В этой игре было несколько агентов (роботов, если хочешь), которые одновременно находились в определенной среде и учились, как вести себя в конкретной среде, чтобы максимизировать свою функцию для поедания максимального количества яблок.
Такие простые были правила. Проблемой было то, что эпизоды, в которых играли эти агенты, были ограничены. Допустим, каждый эпизод длился 2 или 3 минуты, и теперь: как агент должен вести себя, чтобы за эти три минуты съесть максимальное количество яблок.
Что было интересно, агенты также могли временно выбывать из игры. Они могли использовать так называемый лазер, с помощью которого, если агент был поражен, скажем, он уходил в угол на несколько секунд, то есть терял время, в течение которого мог бы собирать яблоки. В этом заключались правила этой игры.
Какой был результат. Как только появлялся дефицит ресурсов - агенты начинали идти по сценарию два - друг друга убивать. Когда же было изобилие (сценарий 1), тогда не было необходимости драться и жили они дружно.
Кстати, вот тут можно почитать публикацию DeepMind: Multi-agent Reinforcement Learning in Sequential Social Dilemmas
(Часть2)
Суть в том, что они не знали, что имеют дело с яблоками, поэтому на самом деле агенты были заинтересованы в сборе зеленых квадратиков, символизирующих яблоки. Квадратики, когда их “съедали” - появлялись новые. Виртуальные яблоки “рождались” снова через некоторое время.
В этой игре было несколько агентов (роботов, если хочешь), которые одновременно находились в определенной среде и учились, как вести себя в конкретной среде, чтобы максимизировать свою функцию для поедания максимального количества яблок.
Такие простые были правила. Проблемой было то, что эпизоды, в которых играли эти агенты, были ограничены. Допустим, каждый эпизод длился 2 или 3 минуты, и теперь: как агент должен вести себя, чтобы за эти три минуты съесть максимальное количество яблок.
Что было интересно, агенты также могли временно выбывать из игры. Они могли использовать так называемый лазер, с помощью которого, если агент был поражен, скажем, он уходил в угол на несколько секунд, то есть терял время, в течение которого мог бы собирать яблоки. В этом заключались правила этой игры.
Какой был результат. Как только появлялся дефицит ресурсов - агенты начинали идти по сценарию два - друг друга убивать. Когда же было изобилие (сценарий 1), тогда не было необходимости драться и жили они дружно.
Кстати, вот тут можно почитать публикацию DeepMind: Multi-agent Reinforcement Learning in Sequential Social Dilemmas
(Часть2)
👍3❤1🔥1
Еще один пример из жизни (наблюдал пару лет назад).
Cитуация произошла в Кракове. Помню, как стоял на остановке, и оказалось, что что-то сломалось. Полчаса трамваи не ходили, поэтому людей становилось все больше, и ситуация разворачивалась утром, перед работой, учебой.
Через некоторое время трамвай наконец приехал, но он был переполнен людьми. К тому же столько же людей ждало на остановке. Эти люди пытаются зайти туда, и начинаются неприятные сцены. Крики, потасовки и так далее.
Интересно то, что достаточно было пройти немного дальше (на другую ветку рядом), там, где не было этой пробки, не было затора, и там трамваи двигались нормально. Там не было такой большой толпы, и люди были спокойны. Все было прекрасно и дружелюбно.
Для меня это было таким удивлением. Еще 5 минут назад почти каждый вел себя как очень спокойный и вежливый человек, и достаточно было немного усложнить условия вокруг, чтобы люди начали вести себя агрессивно.
💡 Главный вывод.
Человек сильно зависим от контекста, когда вокруг все хорошо - легко быть благородным. Еще есть другая сторона медали - некоторые люди наоборот активируются тогда, когда есть реальная угроза и проявляют себя с очень даже человеческой стороны.
(Часть 3)
Cитуация произошла в Кракове. Помню, как стоял на остановке, и оказалось, что что-то сломалось. Полчаса трамваи не ходили, поэтому людей становилось все больше, и ситуация разворачивалась утром, перед работой, учебой.
Через некоторое время трамвай наконец приехал, но он был переполнен людьми. К тому же столько же людей ждало на остановке. Эти люди пытаются зайти туда, и начинаются неприятные сцены. Крики, потасовки и так далее.
Интересно то, что достаточно было пройти немного дальше (на другую ветку рядом), там, где не было этой пробки, не было затора, и там трамваи двигались нормально. Там не было такой большой толпы, и люди были спокойны. Все было прекрасно и дружелюбно.
Для меня это было таким удивлением. Еще 5 минут назад почти каждый вел себя как очень спокойный и вежливый человек, и достаточно было немного усложнить условия вокруг, чтобы люди начали вести себя агрессивно.
Человек сильно зависим от контекста, когда вокруг все хорошо - легко быть благородным. Еще есть другая сторона медали - некоторые люди наоборот активируются тогда, когда есть реальная угроза и проявляют себя с очень даже человеческой стороны.
(Часть 3)
Please open Telegram to view this post
VIEW IN TELEGRAM
👍10❤3🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
🔥6👍3❤2
Присоединяйся к вебинару live coding и обучай модель Machine Learning в режиме реального времени.
Когда: 15 сентября в 19:00 (по Минску, Киеву, Москве).
Тема: "Прогнозирование цен на автомобили с помощью машинного обучения”
Длительность: около 2 часов.
Будем кодить вместе.
Что будет на вебинаре:
📌Пошаговая разборка ML-процесса
📌Практические задания с доступом к реальным данным и среде
📌Интерактивное обучение и обсуждение
Вместе мы сделаем сложное простым и достигнем результатов с минимальными усилиями 💪
Осталось всего несколько бесплатных мест для участия.
👉 Записаться на вебинар
Когда: 15 сентября в 19:00 (по Минску, Киеву, Москве).
Тема: "Прогнозирование цен на автомобили с помощью машинного обучения”
Длительность: около 2 часов.
Будем кодить вместе.
Что будет на вебинаре:
📌Пошаговая разборка ML-процесса
📌Практические задания с доступом к реальным данным и среде
📌Интерактивное обучение и обсуждение
Вместе мы сделаем сложное простым и достигнем результатов с минимальными усилиями 💪
Осталось всего несколько бесплатных мест для участия.
👉 Записаться на вебинар
👍5🔥2❤1