Návrh Školení

Úvod

Pochopení základů umělé inteligence a Machine Learning

Pochopení Deep Learning

    Přehled základních pojmů hlubokého učení Rozlišování mezi Machine Learning a hlubokým učením 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 Výuka 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 Deep Learning technik používaných v bankovnictví

    Neuronové sítě Zpracování přirozeného jazyka Rozpoznávání obrazu Speech Recognition Sentimentální analýza

Zkoumání Deep Learning Případové studie pro bankovnictví

    Programy proti praní špinavých peněz Poznej svého zákazníka (KYC) kontroluje seznam sankcí Sledování fakturace Dohled nad podvody Risk Management Detekce podvodů Produkt a segmentace zákazníků Hodnocení výkonu Obecné funkce pro dodržování předpisů

Pochopení výhod Deep Learning pro bankovnictví

Prozkoumání různých balíčků hlubokého učení pro R Deep Learning 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 Deep Learning modelu úvěrového rizika 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

    • Základní zkušenosti s programováním R
    • Obecná znalost finančních a bankovních 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