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 tekniker för djupinlärning som används i Finance

    Neurala nätverk Naturlig språkbehandling Bildigenkänning Speech Recognition Sentimental analys

Exploring Deep Learning Fallstudier för Finance

    Prissättning Portfolio Construction Risk Management Förutsägelse av avkastning på högfrekvent handel

Förstå fördelarna med djupinlärning för Finance

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 Träning Din första TensorFlow Neural Net Model

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

Arbetar med TensorFlow för Deep Learning for Finance

    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
  • Praktiskt: Bygga en modell för djupinlärning för aktiekursförutsägelser 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 ekonomikoncept
    • Grundläggande förtrogenhet med statistik och matematiska begrepp
      28 timmar
     

    Antal deltagare


    Starts

    Ends


    Dates are subject to availability and take place between 09:30 and 16:30.
    Open Training Courses require 5+ participants.

    Relaterade Kurser

    Relaterade Kategorier