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

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 csomagok felfedezése az R mély tanuláshoz az R-ben a Keras és az 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 hitelkockázati modell felépítése R segítségével
  • Vállalata képességeinek bővítése
  • Modellek fejlesztése a felhőben GPU-k használatával a mély tanulás felgyorsítására A Deep Learning Neural Networks alkalmazása a számítógépes látás, a hangfelismerés és a szövegelemzés számára.

    Összefoglalás, és következtetés

    Követelmények

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

    Résztvevők száma



    Ár per résztvevő

    Rokon tanfolyam

    Rokon kategóriák