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 Rekurrierendes Gedächtnis erforschen Neural Networks in der Praxis Faltung erforschen Neural Networks in der Praxis verbessern Die Art und Weise verbessern Neural Networks Lernen

Überblick über Deep Learning im Bankwesen verwendete Techniken

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

Untersuchung von Deep Learning Fallstudien für das Bankwesen

    Anti-Geldwäsche-Programme Know-Your-Customer (KYC)-Prüfungen Sanktionslistenüberwachung Abrechnungsbetrugsaufsicht Risk Management Betrugserkennung Produkt- und Kundensegmentierung Leistungsbewertung Allgemeine Compliance-Funktionen

Die Vorteile von Deep Learning für das Bankwesen verstehen

Erkundung der verschiedenen Deep-Learning-Bibliotheken für Python

    TensorFlow Schwer

Einrichten von Python mit TensorFlow für Deep Learning

    Installieren der TensorFlow Python-API, Testen der TensorFlow-Installation, Einrichten von TensorFlow für die Entwicklung, Trainieren Ihres ersten TensorFlow neuronalen Netzmodells

Einrichten Python mit Keras für Deep Learning

Erstellen einfacher Deep-Learning-Modelle mit Keras

    Erstellen eines Keras-Modells. Verstehen Ihrer Daten. Spezifizieren Ihres Deep-Learning-Modells. Kompilieren Ihres Modells. Anpassen Ihres Modells. Arbeiten mit Ihren Klassifizierungsdaten. Arbeiten mit Klassifizierungsmodellen. Verwenden Ihrer Modelle

Zusammenarbeit mit TensorFlow für Deep Learning für das Bankwesen

    Vorbereiten der Daten, Herunterladen der Daten, Vorbereiten von Trainingsdaten, Vorbereiten von Testdaten, Skalieren von Eingaben mithilfe von Platzhaltern und Variablen
Spezifizieren der Netzwerkarchitektur
  • Verwendung der Kostenfunktion
  • Verwendung des Optimierers
  • Verwenden von Initialisierern
  • Anpassung des neuronalen Netzwerks
  • Erstellen der Graphinferenz
  • Verlust
  • Ausbildung
  • Trainieren des Modells Der Graph
  • Die Sitzung
  • Zugschleife
  • Bewerten des Modells Erstellen des Bewertungsdiagramms
  • Auswerten mit Evaluierungsausgabe
  • Trainingsmodelle im Maßstab
  • Visualisieren und Bewerten von Modellen mit TensorBoard
  • Praktisch: Aufbau eines Deep-Learning-Kreditrisikomodells mit Python
  • 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

    • Erfahrung mit Python Programmierung
    • Grundlegende 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