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 die in het bankwezen worden gebruikt

    Neurale netwerken Natuurlijke taalverwerking Beeldherkenning Speech Recognition Sentimentele analyse

Onderzoek naar Deep Learning Casestudies voor het bankwezen

    Antiwitwasprogramma's Know-Your-Customer (KYC)-controles Sanctielijst Monitoring Factureringsfraude Toezicht Risk Management Fraudedetectie Product- en klantsegmentatie Prestatie-evaluatie Algemene compliancefuncties

Inzicht in de voordelen van Deep Learning voor het bankwezen

Het verkennen van de verschillende Deep Learning-bibliotheken voor Python

    TensorFlow Moeilijk

Python instellen met de TensorFlow voor Deep Learning

    De TensorFlow Python API installeren De TensorFlow installatie testen TensorFlow instellen voor ontwikkeling Trainen van uw eerste TensorFlow Neural Net-model

Opzetten Python met Keras voor Deep Learning

Eenvoudige deep learning-modellen bouwen met Keras

    Een Keras-model maken Uw gegevens begrijpen Uw Deep Learning-model specificeren Uw model samenstellen Uw model aanpassen Werken met uw classificatiegegevens Werken met classificatiemodellen Uw modellen gebruiken

Werken met TensorFlow voor Deep Learning voor het bankwezen

    De gegevens voorbereiden De gegevens downloaden Trainingsgegevens voorbereiden Testgegevens voorbereiden Invoer schalen met tijdelijke aanduidingen en variabelen
Specificeren van de netwerkarchitectuur
  • Gebruik van de kostenfunctie
  • De optimalisatie gebruiken
  • Initialisatieprogramma's gebruiken
  • Het neurale netwerk aanpassen
  • Het opbouwen van de grafiekinferentie
  • Verlies
  • Opleiding
  • Het model trainen De grafiek
  • De sessie
  • Trein lus
  • Het model evalueren Het bouwen van de Eval-grafiek
  • Evalueren met Eval Output
  • Trainingsmodellen op schaal
  • Modellen visualiseren en evalueren met TensorBoard
  • Praktisch: een diepgaand lerend kredietrisicomodel bouwen met behulp van Python
  • Vergroot de mogelijkheden van uw bedrijf
  • Modellen in de cloud ontwikkelen GPU's gebruiken om deep learning te versnellen Deep learning Neural Networks toepassen voor computervisie, stemherkenning en tekstanalyse
  • Samenvatting en conclusie
  • Requirements

    • Ervaring met Python programmeren
    • Algemene bekendheid met financiële en bancaire concepten
    • Basiskennis van statistiek en wiskundige concepten
      28 Hours
     

    Related Courses

    Related Categories