Kurzusleírás

Bevezetés

A mesterséges intelligencia alapjainak megértése és Machine Learning

Megértés Deep Learning

    A mély tanulás alapfogalmainak áttekintése A Machine Learning és a mély tanulás közötti különbségtétel A mélytanulási alkalmazások áttekintése

A Neural Networks áttekintése

    Mik azok Neural Networks Neural Networks vs regressziós modellek A matematikai alapok és tanulási mechanizmusok megértése Mesterséges neurális hálózat felépítése Neurális csomópontok és kapcsolatok megértése Neuronokkal, rétegekkel, valamint bemeneti és kimeneti adatokkal Az egyrétegű perceptronok megértése Különbségek a felügyelt és a tanulatlan tanulás között és visszajelzés Neural Networks Az előre terjedés és a visszaszaporodás megértése A hosszú rövid távú memória (LSTM) megértése Az ismétlődő Neural Networks feltárása a gyakorlatban A konvolúciós Neural Networks feltárása a gyakorlatban Az út javítása Neural Networks Tanuljon

A Finance-ban használt mély tanulási technikák áttekintése

    Neurális hálózatok természetes nyelvi feldolgozás képfelismerés Speech Recognition Szentimentális elemzés

Mély tanulási esettanulmányok felfedezése a Finance számára

    Árképzési portfólió felépítése Risk Management Magas frekvenciájú kereskedési hozam előrejelzése

A mély tanulás előnyeinek megértése Finance számára

Különböző Deep Learning csomagok felfedezése R számára

Mélytanulás R-ben Keras és RStudio segítségével

    Az R Keras csomag áttekintése Az R Keras csomag telepítése Adatok betöltése beépített adatkészletekkel Fájlokból származó adatok használatával áladatokat használva
Az adatok feltárása
  • Az adatok előfeldolgozása Az adatok tisztítása
  • Az adatok normalizálása
  • Az adatok felosztása képzési és tesztkészletekre
  • One Hot Encoding (OHE) megvalósítása
  • A modell felépítésének meghatározása
  • Modelljének összeállítása és illesztése az adatokhoz
  • A modell betanítása
  • A modellképzés történetének megjelenítése
  • A modell használata az új adatok címkéinek előrejelzésére
  • A modell értékelése
  • A modell finomhangolása
  • Modelljének mentése és exportálása
  • Gyakorlati gyakorlat: Deep Learning modell felépítése a részvényárfolyam előrejelzéséhez R használatával
  • Vállalata képességeinek bővítése
  • Modellek fejlesztése a felhőben GPU-k használatával a mély tanulás felgyorsítására A Deep Learning Neural Networks alkalmazása a számítógépes látás, hangfelismerés és szövegelemzés számára

    Összefoglalás, és következtetés

    Követelmények

    • R programozásban szerzett tapasztalat
    • A pénzügyi fogalmak általános ismerete
    • Statisztikai és matematikai fogalmak alapvető ismerete
     28 Hours

    Résztvevők száma



    Ár per résztvevő

    Rokon tanfolyam

    Rokon kategóriák