Kursplan

Introduksjon

Forstå det grunnleggende om kunstig intelligens og Machine Learning

Forståelse Deep Learning

    Oversikt over de grunnleggende konseptene for dyp læring Skille mellom Machine Learning og dyp læring Oversikt over applikasjoner for dyp læring

Oversikt over Neural Networks

    Hva er Neural Networks Neural Networks vs regresjonsmodeller Forstå matematiske grunnlag og læringsmekanismer Konstruere et kunstig nevralt nettverk Forstå nevrale noder og forbindelser Arbeide med nevroner, lag og input- og utdatadata Forstå enkeltlags perseptroner Forskjeller mellom overvåket og uovervåket FeLearning Forwarding og tilbakemelding Neural Networks Forstå forplantning fremover og forplantning tilbake Forstå langtidskorttidsminne (LSTM) Utforsking av tilbakevendende Neural Networks i praksis Utforske konvolusjonell Neural Networks i praksis Forbedre veien Neural Networks Lær

Oversikt over Deep Learning teknikker som brukes i bankvirksomhet

    Nevrale nettverk Naturlig språkbehandling Bildegjenkjenning Speech Recognition Sentimental analyse

Utforsker Deep Learning kasusstudier for bankvirksomhet

    Anti-hvitvaskingsprogrammer Kjenn-din-kunden (KYC) Sjekker Sanksjonsliste Overvåking av faktureringssvindel Overvåking Risk Management Svindeloppdagelse Produkt- og kundesegmentering Ytelsesevaluering Generelle samsvarsfunksjoner

Forstå fordelene ved Deep Learning for banktjenester

Utforsk de forskjellige dyplæringsbibliotekene for Python

    TensorFlow Hardt

Sette opp Python med TensorFlow for dyp læring

    Installere TensorFlow Python API Testing av TensorFlow Installasjonsoppsett TensorFlow for utvikling Trening Din første TensorFlow nevrale nettmodell

Oppsett Python med Keras for dyp læring

Bygge enkle dyplæringsmodeller med Keras

    Opprette en Keras modell Forstå dataene dine Spesifisere dyplæringsmodellen din Kompilere modellen Tilpasse modellen Arbeide med klassifiseringsdataene Arbeide med klassifiseringsmodeller Bruke modellene dine

Arbeide med TensorFlow for Deep Learning for Banking

    Forberede dataene Laste ned dataene Forberede opplæringsdata Forberede testdata Skaleringsinnganger ved hjelp av plassholdere og variabler
Spesifisere nettverksarkitekturen
  • Bruke kostnadsfunksjonen
  • Bruke Optimizer
  • Bruke initialiseringsprogrammer
  • Tilpasning til det nevrale nettverket
  • Bygge grafinferensen
  • Tap
  • Opplæring
  • Trening av modellen The Graph
  • Sesjonen
  • Togsløyfe
  • Evaluering av modellen Bygge Eval-grafen
  • Evaluering med Eval Output
  • Treningsmodeller i stor skala
  • Visualisere og evaluere modeller med TensorBoard
  • Hands-on: Bygg en kredittrisikomodell for dyp læring ved å bruke Python
  • Utvide bedriftens evner
  • Utvikle modeller i skyen ved å bruke GPU-er for å akselerere dyp læring. Bruke dyp læring Neural Networks for datasyn, stemmegjenkjenning og tekstanalyse
  • Oppsummering og konklusjon
  • Krav

    • Erfaring med Python programmering
    • Generell kjennskap til finans- og bankkonsepter
    • Grunnleggende kjennskap til statistikk og matematiske begreper
     28 timer

    Antall deltakere



    Price per participant

    Relaterte kurs

    Related Categories