Návrh Školení

Úvod

Pochopení základů umělé inteligence a Machine Learning

Pochopení Deep Learning

  • Přehled základních pojmů Deep Learning
  • Rozdíl mezi Machine Learning a Deep Learning
  • Přehled aplikací pro Deep Learning

Přehled Neural Networks

  • Co jsou Neural Networks
  • Neural Networks vs regresní modely
  • Pochopení Mathematical základů a mechanismů učení
  • Vytvoření umělé neuronové sítě
  • Pochopení neuronových uzlů a spojení
  • Práce s neurony, vrstvami a vstupními a výstupními daty
  • Pochopení jednovrstvých perceptronů
  • Rozdíly mezi kontrolovaným a nekontrolovaným učením
  • Zpětná vazba a zpětná vazba k učení Neural Networks
  • Porozumění dopředné a zpětné propagaci
  • Porozumění dlouhodobé krátkodobé paměti (LSTM)
  • Exploring Recurrent Neural Networks v praxi
  • Zkoumání konvoluční Neural Networks v praxi
  • Zlepšení cesty Neural Networks Učte se

Přehled Deep Learning technik používaných v bankovnictví

  • Neural Networks
  • Zpracování přirozeného jazyka
  • Rozpoznávání obrazu
  • Speech Recognition
  • Sentimentální analýza

Zkoumání Deep Learning Případové studie pro bankovnictví

  • Programy proti praní špinavých peněz
  • Kontroly Know-Your-Customer (KYC).
  • Sledování seznamu sankcí
  • Dohled nad fakturačními podvody
  • Riziko Management
  • Detekce podvodů
  • Produktová a zákaznická segmentace
  • Hodnocení výkonnosti
  • Obecné funkce shody

Pochopení výhod Deep Learning pro bankovnictví

Prozkoumání různých Deep Learning knihoven pro Python

  • TensorFlow
  • Keras

Nastavení Python pomocí TensorFlow pro Deep Learning

  • Instalace TensorFlow Python API
  • Testování instalace TensorFlow
  • Nastavení TensorFlow pro vývoj
  • Trénink svého prvního TensorFlow modelu neuronové sítě

Nastavení Python pomocí Keras pro Deep Learning

Tvorba jednoduchých Deep Learning modelů s Keras

  • Vytvoření modelu Keras
  • Porozumění vašim datům
  • Určení vašeho Deep Learning modelu
  • Kompilace vašeho modelu
  • Přizpůsobení vašeho modelu
  • Práce s vašimi klasifikačními daty
  • Práce s klasifikačními modely
  • Používání vašich modelů

Práce s TensorFlow pro Deep Learning pro bankovnictví

  • Příprava dat
    • Stahování dat
    • Příprava tréninkových dat
    • Příprava testovacích dat
    • Škálování vstupů
    • Použití zástupných symbolů a proměnných
  • Určení architektury sítě
  • Použití funkce nákladů
  • Použití Optimalizátoru
  • Použití inicializátorů
  • Montáž neuronové sítě
  • Sestavení grafu
    • Odvození
    • Ztráta
    • Výcvik
  • Školení modelky
    • Graf
    • Zasedání
    • Vlaková smyčka
  • Hodnocení modelu
    • Sestavení grafu Eval
    • Vyhodnocení s výstupem Eval
  • Tréninkové modely ve Scale
  • Vizualizace a vyhodnocování modelů pomocí TensorBoard

Praktické: Sestavení Deep Learning modelu úvěrového rizika pomocí Python

Rozšíření schopností vaší společnosti

  • Vývoj modelů v cloudu
  • Použití GPUs ke zrychlení Deep Learning
  • Použití Deep Learning Neural Networks pro Computer Vision, Rozpoznávání hlasu a Analýza textu

Shrnutí a závěr

Požadavky

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

Počet účastníků


Price per participant

Upcoming Courses

Související kategorie