Kursplan

Introduktion

Förstå grunderna för artificiell intelligens och Machine Learning

Förståelse Deep Learning

    Översikt över de grundläggande begreppen för djupinlärning Att skilja mellan Machine Learning och djupinlärning Översikt över tillämpningar för djupinlärning

Översikt över Neural Networks

    Vad är Neural Networks Neural Networks vs regressionsmodeller Förstå matematiska grunder och inlärningsmekanismer Konstruera ett artificiellt neuralt nätverk Förstå neurala noder och anslutningar Arbeta med neuroner, lager och in- och utdata Förstå enskiktsperceptroner skillnader mellan övervakad och oövervakad FeLearning Inlärning och feedback Neural Networks Förstå fortplantning framåt och förökning bakåt Förstå Long Short-Term Memory (LSTM) Utforska återkommande Neural Networks i praktiken Utforska konvolutionell Neural Networks i praktiken Förbättra vägen Neural Networks Lär dig

Översikt över Deep Learning tekniker som används i bankverksamhet

    Neurala nätverk Naturlig språkbehandling Bildigenkänning Speech Recognition Sentimental analys

Utforskar Deep Learning Fallstudier för bankverksamhet

    Program mot penningtvätt Känn-din-kund (KYC)-kontroller Sanktionslista Övervakning av faktureringsbedrägeriöversikt Risk Management Bedrägeriupptäckt Produkt- och kundsegmentering Prestandautvärdering Allmänna efterlevnadsfunktioner

Förstå fördelarna med Deep Learning för bankverksamhet

Utforska de olika djupinlärningsbiblioteken för Python

    TensorFlow Svårt

Konfigurera Python med TensorFlow för djupinlärning

    Installera TensorFlow Python API Testa TensorFlow Installation Installation TensorFlow för utveckling Träna din första TensorFlow neurala nätmodell

Ställa in Python med Keras för djupinlärning

Bygg enkla modeller för djupinlärning med Keras

    Skapa en Keras modell Förstå dina data Specificera din djupinlärningsmodell Kompilera din modell Anpassa din modell Arbeta med dina klassificeringsdata Arbeta med klassificeringsmodeller Använda dina modeller

Arbeta med TensorFlow för Deep Learning for Banking

    Förbereda data Ladda ner data Förbereda träningsdata Förbereda testdata Skalingångar med hjälp av platshållare och variabler
Specificering av nätverksarkitekturen
  • Använda kostnadsfunktionen
  • Använda Optimizer
  • Använda initierare
  • Anpassa det neurala nätverket
  • Bygga grafinferensen
  • Förlust
  • Träning
  • Att träna modellen The Graph
  • Sessionen
  • Tågslinga
  • Utvärdering av modellen Bygger Eval-grafen
  • Utvärdera med Eval Output
  • Utbildningsmodeller i stor skala
  • Visualisera och utvärdera modeller med TensorBoard
  • Hands-on: Bygga en kreditriskmodell för djupinlärning med Python
  • Utöka ditt företags kapacitet
  • Utveckla modeller i molnet med hjälp av GPU:er för att påskynda djupinlärning Använda djupinlärning Neural Networks för datorseende, röstigenkänning och textanalys
  • Sammanfattning och slutsats
  • Krav

    • Erfarenhet av Python programmering
    • Allmän förtrogenhet med finansiella och bankkoncept
    • Grundläggande förtrogenhet med statistik och matematiska begrepp
     28 timmar

    Antal deltagare



    Price per participant

    Relaterade Kurser

    Relaterade Kategorier