Course Outline

Invoering

De grondbeginselen van kunstmatige intelligentie begrijpen en Machine Learning

Begrijpen Deep Learning

    Overzicht van de basisconcepten van deep learning, waarbij onderscheid wordt gemaakt tussen Machine Learning en deep learning. Overzicht van toepassingen voor deep learning

Overzicht van Neural Networks

    Wat zijn Neural Networks Neural Networks versus regressiemodellen Wiskundige grondslagen en leermechanismen begrijpen Een kunstmatig neuraal netwerk construeren Neurale knooppunten en verbindingen begrijpen Werken met neuronen, lagen en invoer- en uitvoergegevens Enkellaags-perceptronen begrijpen Verschillen tussen begeleid en onbewaakt leren Leren Feedforward en feedback Neural Networks Voorwaartse voortplanting en achterwaartse voortplanting begrijpen Het lange-kortetermijngeheugen (LSTM) begrijpen Herhalend onderzoek Neural Networks in de praktijk Onderzoeken van convolutioneel Neural Networks in de praktijk De weg verbeteren Neural Networks Leren

Overzicht van deep learning-technieken gebruikt in Finance

    Neurale netwerken Natuurlijke taalverwerking Beeldherkenning Speech Recognition Sentimentele analyse

Casestudy's voor diepgaand leren verkennen voor Finance

    Prijzen Portefeuilleconstructie Risk Management Voorspelling van hoogfrequent handelsrendement

De voordelen van deep learning begrijpen voor Finance

Onderzoek naar de verschillende Deep Learning pakketten voor R

Diep leren in R met Keras en RStudio

    Overzicht van het Keras-pakket voor R Het Keras-pakket voor R installeren De gegevens laden met behulp van ingebouwde gegevenssets Gegevens uit bestanden gebruiken Dummygegevens gebruiken
Het verkennen van de gegevens
  • De gegevens voorbewerken De gegevens opschonen
  • Het normaliseren van de gegevens
  • De gegevens opsplitsen in trainings- en testsets
  • Eén Hot Encoding (OHE) implementeren
  • De architectuur van uw model definiëren
  • Uw model samenstellen en aanpassen aan de gegevens
  • Train uw model
  • De modeltrainingsgeschiedenis visualiseren
  • Uw model gebruiken om labels van nieuwe gegevens te voorspellen
  • Uw model evalueren
  • Uw model verfijnen
  • Uw model opslaan en exporteren
  • Praktisch: een Deep Learning-model bouwen voor aandelenkoersvoorspelling met behulp van R
  • Vergroot de mogelijkheden van uw bedrijf
  • Modellen in de cloud ontwikkelen met behulp van GPU's om deep learning te versnellen Deep learning Neural Networks toepassen voor computervisie, stemherkenning en tekstanalyse

    Samenvatting en conclusie

    Requirements

    • Ervaring met R-programmeren
    • Algemene bekendheid met financiële concepten
    • Basiskennis van statistiek en wiskundige concepten
      28 Hours

    Related Courses

    Related Categories