Schulungsübersicht

Einführung

Die Grundlagen der künstlichen Intelligenz verstehen und Machine Learning

Verstehen Deep Learning

    Überblick über die grundlegenden Konzepte des Deep Learning Unterscheidung zwischen Machine Learning und Deep Learning Überblick über Anwendungen für Deep Learning

Überblick über Neural Networks

    Was sind Neural Networks Neural Networks vs. Regressionsmodelle Mathematische Grundlagen und Lernmechanismen verstehen Konstruktion eines künstlichen neuronalen Netzes Verstehen neuronaler Knoten und Verbindungen Arbeiten mit Neuronen, Schichten und Eingabe- und Ausgabedaten Einschichtige Perceptrons verstehen Unterschiede zwischen überwachtem und unüberwachtem Lernen Lernen mit Vorwärts- und Rückkopplung Neural Networks Verständnis von Forward Propagation und Back Propagation Verstehen des langen Kurzzeitspeichers (LSTM) Erforschung des rekurrenten Neural Networks in der Praxis Erforschung von Convolutional Neural Networks in der Praxis Die Art und Weise des Lernens Neural Networks verbessern

Überblick über Deep Learning Techniken im Bankwesen

    Neuronale Netze Verarbeitung natürlicher Sprache Erkennung von Bildern Speech Recognition Sentimentale Analyse

Untersuchung von Deep Learning Fallstudien für das Bankwesen

    Anti-Geldwäsche-Programme Know-Your-Customer (KYC)-Prüfungen Überwachung von Sanktionslisten Überwachung von Abrechnungsbetrug Risk Management Aufdeckung von Betrug Produkt- und Kundensegmentierung Leistungsbewertung Allgemeine Compliance-Funktionen

Die Vorteile von Deep Learning für das Bankwesen verstehen

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 Eingebaute Datensätze verwenden Verwenden von Daten aus Dateien Dummy-Daten verwenden
Erkundung der Daten
  • Vorverarbeitung der Daten Bereinigung der Daten
  • Normalisierung der Daten
  • Aufteilung der Daten in Trainings- und Testgruppen
  • Implementierung von One Hot Encoding (OHE)
  • Definieren der Architektur Ihres Modells
  • Kompilieren und Anpassen des Modells an die Daten
  • Schulung Ihres Modells
  • Visualisierung des Trainingsverlaufs des Modells
  • Verwendung Ihres Modells zur Vorhersage von Bezeichnungen für neue Daten
  • Bewerten Sie Ihr Modell
  • Feinabstimmung Ihres Modells
  • Speichern und Exportieren Ihres Modells
  • Praktische Anwendung: Aufbau eines Deep Learning Kreditrisikomodells mit R
  • Erweiterung der Fähigkeiten Ihres Unternehmens's
  • Entwicklung von Modellen in der Cloud Verwendung von GPUs zur Beschleunigung von Deep Learning Anwendung von Deep Learning Neural Networks für Computer Vision, Spracherkennung und Textanalyse.

    Zusammenfassung und Schlussfolgerung

    Voraussetzungen

    • Grundlegende Erfahrung mit R-Programmierung
    • Grundsätzliche Vertrautheit mit Finanz- und Bankkonzepten
    • 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