Kurzusleírás

Bevezetés

A mesterséges intelligencia alapjainak megértése és Machine Learning

Megértés Deep Learning

    A mély tanulás alapvető fogalmainak áttekintése Az Machine Learning és a mélytanulás 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

Áttekintés a Deep Learning banki technikákról

    Neurális hálózatok természetes nyelvi feldolgozás képfelismerés Speech Recognition Szentimentális elemzés

Exploring Deep Learning esettanulmányok banki ügyekben

    Pénzmosás elleni programok Ismerje meg ügyfelét (KYC) Ellenőrzések Szankciólista Monitoring Számlázási csalások Felügyelete Risk Management Csalásfelderítés Termék- és ügyfélszegmentálási teljesítményértékelés Általános megfelelőségi funkciók

A Deep Learning banki előnyeinek megértése

Különböző mély tanulási könyvtárak felfedezése Python számára

    TensorFlow Nehéz

A Python beállítása a TensorFlow segítségével a mélytanuláshoz

    A TensorFlow Python API telepítése A TensorFlow telepítési beállítások TensorFlow tesztelése a fejlesztéshez Az első TensorFlow neurális hálózati modelled

Beállítás Python a Keras segítségével a mély tanuláshoz

Egyszerű mély tanulási modellek felépítése a Keras segítségével

    Keras Modell létrehozása Az Ön adatainak megértése A mélytanulási modell megadása A modell összeállítása A modell illesztése Az Ön osztályozási adataival való munka Osztályozási modellek használata az Ön modelljei segítségével

Együttműködés a TensorFlow-vel a Deep Learning for Banking területén

    Az adatok előkészítése Az adatok letöltése A képzési adatok előkészítése Tesztadatok skálázási bemeneteinek előkészítése helyőrzők és változók használatával
A hálózati architektúra megadása
  • A Költségfüggvény használata
  • Az optimalizáló használata
  • Inicializátorok használata
  • A neurális hálózat illesztése
  • A gráfkövetkeztetés felépítése
  • Veszteség
  • Kiképzés
  • A modell betanítása A grafikon
  • Az ülésszak
  • Vonathurok
  • Az Eval Graph felépítő modell értékelése
  • Értékelés az Eval Output segítségével
  • Képzési modellek méretben
  • Modellek megjelenítése és értékelése TensorBoard segítségével
  • Gyakorlati gyakorlat: Mély tanulási hitelkockázati modell felépítése Python
  • Vállalata képességeinek bővítése
  • Modellek fejlesztése a felhőben GPU-k segítségével a mély tanulás felgyorsítására A Deep Learning Neural Networks alkalmazása a számítógépes látás, hangfelismerés és szövegelemzés számára
  • Összefoglalás, és következtetés
  • Követelmények

    • Python programozási tapasztalat
    • A pénzügyi és banki fogalmak általános ismerete
    • Statisztikai és matematikai fogalmak alapvető ismerete
      28 Hours
     

    Résztvevők száma


    Tanfolyam kezdete

    Tanfolyam vége


    Dates are subject to availability and take place between 09:30 and 16:30.
    Open Training Courses require 5+ participants.

    Rokon tanfolyam

    Rokon kategóriák