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

    Anti-penningtvättsprogram Känn-din-kund (KYC) Kontrollerar Sanktionslista Övervakning av faktureringsbedrägeriöversikt Risk Management Bedrägeriupptäckt Produkt- och kundsegmentering Prestandautvärdering Allmänna efterlevnadsfunktioner

Förstå fördelarna med Deep Learning för bankverksamhet

Utforska de olika Deep Learning-paketen för R Deep Learning i R med Keras och RStudio

    Översikt över Keras-paketet för R Installera Keras-paketet för R Ladda data med inbyggda datamängder med data från filer med dummy-data
Utforska data
  • Förbearbetning av data Rengöring av data
  • Normalisering av data
  • Dela upp data i tränings- och testset
  • Implementera One Hot Encoding (OHE)
  • Definiera arkitekturen för din modell
  • Sammanställa och anpassa din modell till data
  • Träna din modell
  • Visualisera modellträningshistoriken
  • Använda din modell för att förutsäga etiketter för nya data
  • Utvärdera din modell
  • Finjustera din modell
  • Spara och exportera din modell
  • Hands-on: Bygga en Deep Learning kreditriskmodell med hjälp av R
  • Utöka ditt företags kapacitet
  • Utveckla modeller i molnet med hjälp av GPU:er för att påskynda djupinlärning. Tillämpa djupinlärning Neural Networks för datorseende, röstigenkänning och textanalys.

    Sammanfattning och slutsats

    Krav

    • Grundläggande erfarenhet av R-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