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 inngangs- 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) Utforske 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 dyplæringspakkene for R Deep Learning i R med Keras og RStudio

    Oversikt over Keras-pakken for R Installere Keras-pakken for R Laste inn data ved hjelp av innebygde datasett ved hjelp av data fra filer ved bruk av dummy-data
Utforsker dataene
  • Forbehandling av data Rensing av data
  • Normalisering av data
  • Dele opp dataene i trenings- og testsett
  • Implementering av One Hot Encoding (OHE)
  • Definere arkitekturen til modellen din
  • Kompilere og tilpasse modellen din til dataene
  • Trene modellen din
  • Visualisere modelltreningshistorien
  • Bruke modellen din til å forutsi etiketter for nye data
  • Evaluering av modellen din
  • Finjuster modellen din
  • Lagre og eksportere modellen din
  • Hands-on: Bygge en Deep Learning kredittrisikomodell ved å bruke R
  • Utvide bedriftens evner
  • Utvikle modeller i skyen ved å bruke GPU-er for å akselerere dyp læring Ved å bruke dyp læring Neural Networks for datasyn, stemmegjenkjenning og tekstanalyse.

    Oppsummering og konklusjon

    Krav

    • Grunnleggende erfaring med R-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