Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Införandet
Förstå grunderna för artificiell intelligens och Machine Learning
Förstå Deep Learning
- Översikt över de grundläggande begreppen i Deep Learning
- Skilja mellan Machine Learning och Deep Learning
- Översikt över applikationer för Deep Learning
Översikt över Neural Networks
- Vad är Neural Networks
- Neural Networks jämfört med regressionsmodeller
- Att förstå Mathematical Grunder och inlärningsmekanismer
- Konstruera ett artificiellt neuralt nätverk
- Förstå neurala noder och anslutningar
- Arbeta med neuroner, lager och indata och utdata
- Förstå Perceptroner med ett lager
- Skillnader mellan övervakad och oövervakad inlärning
- Feedforward och feedback för inlärning Neural Networks
- Förstå framåt- och bakåtutbredning
- Förstå Long Short-Term Memory (LSTM)
- Att utforska återkommande Neural Networks i praktiken
- Utforska Convolutional Neural Networks i praktiken
- Förbättra sättet Neural Networks Lär dig
Översikt över Deep Learning tekniker som används inom bankväsendet
- Neural Networks
- Behandling av naturligt språk
- Bildigenkänning
- Speech Recognition
- Sentimental analys
Utforska Deep Learning fallstudier för bankverksamhet
- Program för bekämpning av penningtvätt
- Know-Your-Customer-kontroller (KYC)
- Övervakning av sanktionslistor
- Tillsyn över faktureringsbedrägerier
- Risk Management
- Upptäckt av bedrägeri
- Produkt- och kundsegmentering
- Utvärdering av prestanda
- Allmänna funktioner för regelefterlevnad
Förstå fördelarna med Deep Learning för bankverksamhet
Utforska de olika Deep Learning biblioteken för Python
- TensorFlow
- Keras
Ställa in Python med TensorFlow för Deep Learning
- Installera API:et TensorFlow Python
- Testa TensorFlow-installationen
- Inställning TensorFlow för utveckling
- Träna din första TensorFlow neurala nätmodell
Ställa in Python med Keras för Deep Learning
Bygga enkla Deep Learning modeller med Keras
- Skapa en Keras modell
- Förstå dina data
- Ange din Deep Learning modell
- Kompilera din modell
- Passar din modell
- Arbeta med dina klassificeringsdata
- Arbeta med klassificeringsmodeller
- Använda dina modeller
Arbeta med TensorFlow för Deep Learning för bankverksamhet
- Förbereda data
- Ladda ner data
- Förbereda träningsdata
- Förbereda testdata
- Skalning av indata
- Använda platshållare och variabler
- Ange nätverksarkitekturen
- Använda kostnadsfunktionen
- Använda optimeraren
- Använda initierare
- Anpassning av det neurala nätverket
- Bygga grafen
- Slutsats
- Förlust
- Träning
- Träna modellen
- Grafen
- Sessionen
- Tågslinga
- Utvärdera modellen
- Bygga Eval-grafen
- Utvärdera med Eval Output
- Träningsmodeller i stor skala
- Visualisera och utvärdera modeller med TensorBoard
Praktiskt: Att bygga en Deep Learning kreditriskmodell med hjälp av Python
Utöka ditt företags kapacitet
- Utveckla modeller i molnet
- Använda GPUs för att accelerera Deep Learning
- Tillämpa Deep Learning Neural Networks för Computer Vision, röstigenkänning och textanalys
Sammanfattning och slutsats
Krav
- Erfarenhet av Python programmering
- Allmän förtrogenhet med finans- och bankbegrepp
- Grundläggande förtrogenhet med statistik och matematiska begrepp
28 timmar
