Návrh Školení

Úvod

Pochopení základů umělé inteligence a Machine Learning

Pochopení Deep Learning

    Přehled základních pojmů hlubokého učení Rozlišování mezi Machine Learning a hlubokému učení Přehled aplikací pro hluboké učení

Přehled Neural Networks

    Co jsou Neural Networks Neural Networks vs regresní modely Pochopení matematických základů a výukových mechanismů Konstrukce umělé neuronové sítě Pochopení neuronových uzlů a spojení Práce s neurony, vrstvami a vstupními a výstupními daty Pochopení perceptronů na jedné vrstvě Rozdíly mezi řízeným a nekontrolovaným učením s výukou and Feedback Neural Networks Porozumění dopřednému šíření a zpětnému šíření Porozumění dlouhodobé krátkodobé paměti (LSTM) Zkoumání opakujícího se Neural Networks v praxi Zkoumání konvolučního Neural Networks v praxi Zlepšení způsobu Neural Networks Učte se

Přehled technik hlubokého učení používaných v Finance

    Neuronové sítě Zpracování přirozeného jazyka Rozpoznávání obrazu Speech Recognition Sentimentální analýza

Zkoumání případových studií Deep Learning pro Finance

    Tvorba cenového portfolia Risk Management Predikce návratnosti vysokofrekvenčního obchodování

Pochopení výhod hlubokého učení pro Finance

Prozkoumání různých Deep Learning balíčků pro R

Hluboké učení v R s Keras a RStudio

    Přehled balíčku Keras pro R Instalace balíčku Keras pro R Načítání dat pomocí vestavěných datových sad pomocí dat ze souborů pomocí fiktivních dat
Prozkoumávání dat
  • Předzpracování dat Čištění dat
  • Normalizace dat
  • Rozdělení dat do tréninkových a testovacích sad
  • Implementace One Hot Encoding (OHE)
  • Definování architektury vašeho modelu
  • Kompilace a přizpůsobení vašeho modelu datům
  • Školení vašeho modelu
  • Vizualizace historie modelového tréninku
  • Použití vašeho modelu k predikci štítků nových dat
  • Hodnocení vašeho modelu
  • Jemné doladění vašeho modelu
  • Uložení a export vašeho modelu
  • Praktické: Vytvoření modelu Deep Learning pro predikci ceny akcií pomocí R
  • Rozšíření schopností vaší společnosti
  • Vývoj modelů v cloudu pomocí GPU k urychlení hlubokého učení Použití hlubokého učení Neural Networks pro počítačové vidění, rozpoznávání hlasu a analýzu textu

    Shrnutí a závěr

    Požadavky

    • Zkušenosti s programováním R
    • Obecná znalost finančních pojmů
    • Základní znalost statistiky a matematických pojmů
      28 hodiny
     

    Počet účastníků


    Začátek

    Konec


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

    Související kurzy

    Související kategorie