Course Outline

Invoering

De grondbeginselen van kunstmatige intelligentie begrijpen en Machine Learning

Begrijpen Deep Learning

    Overzicht van de basisconcepten van diep leren Onderscheid maken tussen Machine Learning en diep leren Overzicht van toepassingen voor diep leren

Overzicht van Neural Networks

    Wat zijn Neural Networks Neural Networks versus regressiemodellen Inzicht in wiskundige grondslagen en leermechanismen Een kunstmatig neuraal netwerk construeren Inzicht in neurale knooppunten en verbindingen Werken met neuronen, lagen en invoer- en uitvoergegevens Inzicht in enkellaagse perceptrons Verschillen tussen gesuperviseerd en ongecontroleerd leren Leren Feedforward en feedback Neural Networks Voorwaartse en achterwaartse voortplanting begrijpen Lange-kortetermijngeheugen (LSTM) begrijpen Terugkerende onderzoeken 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 worden gebruikt in het bankwezen

    Neurale netwerken Natuurlijke taalverwerking Beeldherkenning Speech Recognition Sentimentele analyse

Onderzoek naar Deep Learning Casestudy's voor het bankwezen

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

De voordelen van Deep Learning voor het bankwezen begrijpen

De verschillende deep learning-pakketten voor R Deep Learning in R verkennen met Keras en RStudio

    Overzicht van pakket Keras voor R Het installeren van pakket Keras voor R De gegevens laden met ingebouwde gegevenssets Gegevens uit bestanden gebruiken Dummygegevens gebruiken
De gegevens verkennen
  • De gegevens voorbewerken De gegevens opschonen
  • Normalisatie van de gegevens
  • De gegevens splitsen in trainings- en testsets
  • Implementatie van One Hot Encoding (OHE)
  • De architectuur van uw model definiëren
  • Uw model samenstellen en aanpassen aan de gegevens
  • Uw model trainen
  • De trainingsgeschiedenis van het model visualiseren
  • Uw model gebruiken om labels van nieuwe gegevens te voorspellen
  • Uw model evalueren
  • Uw model verfijnen
  • Uw model opslaan en exporteren
  • Hands-on: een Deep Learning kredietrisicomodel bouwen met behulp van R
  • De mogelijkheden van uw bedrijf uitbreiden
  • Modellen ontwikkelen in de cloud GPU's gebruiken om deep learning te versnellen Deep learning Neural Networks toepassen voor computervisie, spraakherkenning en tekstanalyse.

    Samenvatting en conclusie

    Requirements

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

    Related Courses

    Related Categories