Машинне навчання - це галузь Штучного інтелекту, в якій комп'ютери мають можливість вчитися без явного запрограмування. Глибоке навчання - це підполе машинного навчання, яке використовує методи, засновані на навчанні подання даних та структур, таких як нейронні мережі. Python - мова програмування високого рівня, що славиться чітким синтаксисом та читабельністю коду.
У цій навчальній програмі під керівництвом інструкторів учасники дізнаються, як реалізувати моделі глибокого навчання для банківських операцій за допомогою Python під час створення моделі глибокого вивчення кредитного ризику.
Після закінчення цього тренінгу учасники зможуть:
- Розуміти основні поняття глибокого навчання
- Дізнайтеся про додатки та способи глибокого навчання в банківській справі
- Використовуйте Python , Keras і TensorFlow для створення глибоких моделей навчання для банківської справи
- Створіть власну модель кредитного ризику глибокого навчання за допомогою Python
Аудиторія
Формат курсу
- Частина лекції, частина дискусії, вправи та важкі практичні практики
Machine Translated
Introduction
Understanding the Fundamentals of Artificial Intelligence and Machine Learning
Understanding Deep Learning
- Overview of the Basic Concepts of Deep Learning
- Differentiating Between Machine Learning and Deep Learning
- Overview of Applications for Deep Learning
Overview of Neural Networks
- What are Neural Networks
- Neural Networks vs Regression Models
- Understanding Mathematical Foundations and Learning Mechanisms
- Constructing an Artificial Neural Network
- Understanding Neural Nodes and Connections
- Working with Neurons, Layers, and Input and Output Data
- Understanding Single Layer Perceptrons
- Differences Between Supervised and Unsupervised Learning
- Learning Feedforward and Feedback Neural Networks
- Understanding Forward Propagation and Back Propagation
- Understanding Long Short-Term Memory (LSTM)
- Exploring Recurrent Neural Networks in Practice
- Exploring Convolutional Neural Networks in practice
- Improving the Way Neural Networks Learn
Overview of Deep Learning Techniques Used in Banking
- Neural Networks
- Natural Language Processing
- Image Recognition
- Speech Recognition
- Sentimental Analysis
Exploring Deep Learning Case Studies for Banking
- Anti-Money Laundering Programs
- Know-Your-Customer (KYC) Checks
- Sanctions List Monitoring
- Billing Fraud Oversight
- Risk Management
- Fraud Detection
- Product and Customer Segmentation
- Performance Evaluation
- General Compliance Functions
Understanding the Benefits of Deep Learning for Banking
Exploring the Different Deep Learning Libraries for Python
Setting Up Python with the TensorFlow for Deep Learning
- Installing the TensorFlow Python API
- Testing the TensorFlow Installation
- Setting Up TensorFlow for Development
- Training Your First TensorFlow Neural Net Model
Setting Up Python with Keras for Deep Learning
Building Simple Deep Learning Models with Keras
- Creating a Keras Model
- Understanding Your Data
- Specifying Your Deep Learning Model
- Compiling Your Model
- Fitting Your Model
- Working with Your Classification Data
- Working with Classification Models
- Using Your Models
Working with TensorFlow for Deep Learning for Banking
- Preparing the Data
- Downloading the Data
- Preparing Training Data
- Preparing Test Data
- Scaling Inputs
- Using Placeholders and Variables
- Specifying the Network Architecture
- Using the Cost Function
- Using the Optimizer
- Using Initializers
- Fitting the Neural Network
- Building the Graph
- Training the Model
- The Graph
- The Session
- Train Loop
- Evaluating the Model
- Building the Eval Graph
- Evaluating with Eval Output
- Training Models at Scale
- Visualizing and Evaluating Models with TensorBoard
Hands-on: Building a Deep Learning Credit Risk Model Using Python
Extending your Company's Capabilities
- Developing Models in the Cloud
- Using GPUs to Accelerate Deep Learning
- Applying Deep Learning Neural Networks for Computer Vision, Voice Recognition, and Text Analysis
Summary and Conclusion
.jpg "international air transport association (iata)")
