Schulungsübersicht

Einführung

Die Grundlagen der Künstlichen Intelligenz verstehen und Machine Learning

Verstehen Deep Learning

    Überblick über die Grundkonzepte von Deep Learning mit Unterscheidung zwischen Machine Learning und Deep Learning. Überblick über Anwendungen für Deep Learning

Übersicht über Neural Networks

    Was sind Neural Networks Neural Networks vs. Regressionsmodelle? Mathematische Grundlagen und Lernmechanismen verstehen. Aufbau eines künstlichen neuronalen Netzwerks. Neuronale Knoten und Verbindungen verstehen. Mit Neuronen, Schichten sowie Eingabe- und Ausgabedaten arbeiten. Einschichtige Perzeptrone verstehen. Unterschiede zwischen überwachtem und unüberwachtem Lernen. Learning Feedforward und Feedback Neural Networks Vorwärtsausbreitung und Rückausbreitung verstehen Langes Kurzzeitgedächtnis (LSTM) verstehen Rekurrentes erforschen Neural Networks in der Praxis Faltung Neural Networks in der Praxis erforschen Den Weg verbessern Neural Networks Lernen

Überblick über Deep-Learning-Techniken, die in Finance verwendet werden

    Neuronale Netze, Verarbeitung natürlicher Sprache, Bilderkennung Speech Recognition Sentimentale Analyse

Erkundung von Deep-Learning-Fallstudien für Finance

    Preisgestaltung Portfoliokonstruktion Risk Management Renditeprognose für den Hochfrequenzhandel

Die Vorteile von Deep Learning verstehen für Finance

Erkundung der verschiedenen Deep Learning Pakete für R

Deep Learning in R mit Keras und RStudio

    Übersicht über das Keras-Paket für R. Installieren des Keras-Pakets für R. Laden der Daten mithilfe integrierter Datensätze. Verwendung von Daten aus Dateien. Verwendung von Dummy-Daten
Erkunden der Daten
  • Vorverarbeitung der Daten, Bereinigen der Daten
  • Normalisieren der Daten
  • Aufteilen der Daten in Trainings- und Testsätze
  • Implementierung von One Hot Encoding (OHE)
  • Definieren der Architektur Ihres Modells
  • Kompilieren und Anpassen Ihres Modells an die Daten
  • Trainieren Sie Ihr Modell
  • Visualisierung des Modelltrainingsverlaufs
  • Verwenden Sie Ihr Modell, um Bezeichnungen neuer Daten vorherzusagen
  • Bewerten Sie Ihr Modell
  • Feinabstimmung Ihres Modells
  • Speichern und Exportieren Ihres Modells
  • Praktisch: Erstellen eines Deep Learning Modells zur Aktienkursvorhersage mit R
  • Erweitern Sie die Fähigkeiten Ihres Unternehmens
  • Entwickeln von Modellen in der Cloud mithilfe von GPUs zur Beschleunigung von Deep Learning. Anwendung von Deep Learning Neural Networks für Computer Vision, Spracherkennung und Textanalyse

    Zusammenfassung und Schlussfolgerung

    Voraussetzungen

    • Erfahrungen mit der R-Programmierung
    • Grundsätzliche Vertrautheit mit Finanzkonzepten
    • Grundlegende Vertrautheit mit Statistik und mathematischen Konzepten
      28 Stunden
     

    Teilnehmerzahl


    Beginnt

    Endet


    Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.
    Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

    Kombinierte Kurse

    Verwandte Kategorien