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 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 fejlesztéshez Az első TensorFlow neurális hálózati modelled

Beállítás Python a Keras segítségével a mély tanuláshoz

Egyszerű mély tanulási modellek készítése 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 modellekkel való munka a modellek használatával

Együttműködés a TensorFlow-val a Deep Learning for Finance programhoz

    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 modell felépítése a részvényárfolyam előrejelzéséhez a Python segítségével
  • 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

    • Python programozási tapasztalat
    • A pénzügyi 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