Struttura del corso

Introduzione

Comprendere i fondamenti dell'intelligenza artificiale e Machine Learning

Capire Deep Learning

    Panoramica dei concetti di base del deep learning Differenziazione tra Machine Learning e deep learning Panoramica delle applicazioni per il deep learning

Panoramica di Neural Networks

    Cosa sono Neural Networks Neural Networks Modelli di regressione vs Comprendere i fondamenti matematici e i meccanismi di apprendimento Costruire una rete neurale artificiale Informazioni sui nodi neurali e sulle connessioni Utilizzo di neuroni, livelli e dati di input e output Comprendere i percettroni a strato singolo Differenze tra apprendimento supervisionato e non supervisionato Feedforward e feedback sull'apprendimento Neural Networks Informazioni sulla propagazione in avanti e indietro Comprendere la memoria a breve termine lunga (LSTM) Esplorare le ricorrenti Neural Networks nella pratica Esplorare il Convoluzionale Neural Networks nella pratica Migliorare il modo Neural Networks Impara

Panoramica delle Deep Learning tecniche utilizzate nel settore bancario

    Reti neurali Elaborazione del linguaggio naturale Riconoscimento delle immagini Speech Recognition Analisi sentimentale

Esplorare Deep Learning Casi di studio per il settore bancario

    Programmi antiriciclaggio Controlli Know-Your-Customer (KYC) Monitoraggio dell'elenco delle sanzioni Supervisione delle frodi di fatturazione Risk Management Rilevamento delle frodi Segmentazione di prodotti e clienti Valutazione delle prestazioni Funzioni generali di conformità

Comprendere i vantaggi di Deep Learning per il settore bancario

Esplorazione dei diversi pacchetti di deep learning per R      Deep Learning in R con Keras e RStudio

    Panoramica del pacchetto Keras per R Installazione del pacchetto Keras per R Caricamento dei dati Utilizzo di set di dati incorporati Utilizzo dei dati dai file Utilizzo di dati fittizi
Esplorazione dei dati
  • Pre-elaborazione dei dati Pulizia dei dati
  • Normalizzazione dei dati
  • Suddivisione dei dati in set di training e test
  • Implementazione di One Hot Encoding (OHE)
  • Definizione dell'architettura del modello
  • Compilazione e adattamento del modello ai dati
  • Formazione del modello
  • Visualizzazione della cronologia di training del modello
  • Utilizzo del modello per prevedere le etichette dei nuovi dati
  • Valutazione del modello
  • Messa a punto del modello
  • Salvataggio ed esportazione del modello
  • Hands-on: Creazione di un Deep Learning modello di rischio di credito utilizzando R
  • Estendere le capacità della tua azienda
  • Sviluppo di modelli nel cloud Utilizzo delle GPU per accelerare il deep learning Applicazione del deep learning Neural Networks per la visione artificiale, il riconoscimento vocale e l'analisi del testo.

    Riassunto e conclusione

    Requisiti

    • Esperienza di base con la programmazione R
    • Familiarità generale con i concetti finanziari e bancari
    • Familiarità di base con la statistica e i concetti matematici
      28 ore
     

    Numero di Partecipanti


    Data Inizio

    Data Fine


    Le date sono soggette a disponibilità e si svolgono tra le 09:30 e le 16:30.
    I corsi di formazione pubblici richiedono più di 5 partecipanti.

    Corsi relativi

    Categorie relative