课程大纲

介绍

了解人工智能的基础知识和 Machine Learning

了解 Deep Learning

    深度学习基本概念概述 区分 Machine Learning 和深度学习 深度学习应用概述

Neural Networks 概述

    什么是 Neural Networks Neural Networks 与回归模型 了解数学基础和学习机制 构建人工神经网络 了解神经节点和连接 使用神经元、层以及输入和输出数据 了解单层感知器 监督学习和无监督学习之间的区别 学习前馈和反馈 Neural Networks 了解前向传播和反向传播 了解长短期记忆 (LSTM) 在实践中探索复发性 Neural Networks 在实践中探索卷积 Neural Networks 改进学习方式 Neural Networks

银行业中使用的 Deep Learning 技术概述

    神经网络 自然语言处理 图像识别 Speech Recognition 情感分析

探索 Deep Learning 银行业案例研究

    反洗钱计划 了解您的客户 (KYC) 检查 制裁名单监控 账单欺诈监督 Risk Management 欺诈检测 产品和客户细分 绩效评估 一般合规职能

了解 Deep Learning 对银行业的好处

探索 Python 的不同深度学习库

    TensorFlow 硬

使用 TensorFlow 设置 Python 进行深度学习

    安装 TensorFlow Python API 测试 TensorFlow 安装 设置 TensorFlow 进行开发 训练您的第一个 TensorFlow 神经网络模型

使用 Keras 设置 Python 进行深度学习

使用 Keras 构建简单的深度学习模型

    创建 Keras 模型 了解您的数据 指定深度学习模型 编译模型 拟合您的模型 使用分类数据 使用分类模型 使用模型

使用 TensorFlow 进行银行业深度学习

    准备数据 下载数据 准备训练数据 准备测试数据 缩放输入 使用占位符和变量
指定网络体系结构
  • 使用成本函数
  • 使用优化器
  • 使用初始值设定项
  • 拟合神经网络
  • 构建图形 推理
  • 损失
  • 训练
  • 训练模型 图表
  • 会议
  • 火车环线
  • 评估模型 构建评估图
  • 使用 Eval 输出进行评估
  • 大规模训练模型
  • 使用 TensorBoard 可视化和评估模型
  • 实践:使用 Python 构建深度学习信用风险模型
  • 扩展公司的能力
  • 在云中开发模型 使用 GPU 加速深度学习 将深度学习 Neural Networks 应用于计算机视觉、语音识别和文本分析
  • 总结和结论
  • 要求

    • 具有 Python 编程经验
    • 大致熟悉金融和银行概念
    • 基本熟悉统计学和数学概念
      28 小时
     

    人数


    开始

    完结


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

    相关课程

    课程分类