Programa del Curso

Introducción

Comprender los fundamentos de la inteligencia artificial y Machine Learning

Comprensión Deep Learning

    Visión general de los conceptos básicos del aprendizaje profundo Diferenciación entre Machine Learning y aprendizaje profundo Descripción general de las aplicaciones para el aprendizaje profundo

Descripción general de Neural Networks

    ¿Qué son Neural Networks Neural Networks Modelos de regresión vs Comprender los fundamentos matemáticos y los mecanismos de aprendizaje Construcción de una red neuronal artificial Comprensión de los nodos neuronales y las conexiones Trabajar con neuronas, capas y datos de entrada y salida Comprensión de los perceptrones de una sola capa Diferencias entre el aprendizaje supervisado y el no supervisado Feedforward de aprendizaje y retroalimentación Neural Networks Descripción de la propagación hacia adelante y hacia atrás Comprensión de la memoria a corto plazo (LSTM) Explorando lo recurrente Neural Networks en la práctica Explorando la convolucional Neural Networks en la práctica Mejorar la forma Neural Networks de aprender

Descripción general de Deep Learning Técnicas utilizadas en la banca

    Redes neuronales Procesamiento del lenguaje natural Reconocimiento de imágenes Speech Recognition Análisis sentimental

Explorando Deep Learning Estudios de Caso para la Banca

    Programas contra el lavado de dinero Comprobaciones de Conozca a su cliente (KYC) Vigilancia de la lista de sanciones Supervisión del fraude en la facturación Risk Management Detección de fraudes Segmentación de productos y clientes Evaluación del desempeño Funciones generales de cumplimiento

Comprender los beneficios de Deep Learning para la banca

Explorando las diferentes bibliotecas de aprendizaje profundo para Python

    TensorFlow Duro

Configuración de Python con el TensorFlow para Deep Learning

    Instalación de la API de Python TensorFlow Prueba de la instalación TensorFlow Configuración TensorFlow para el desarrollo Entrenamiento del primer TensorFlow modelo de red neuronal

Configuración Python con Keras para el aprendizaje profundo

Creación de modelos simples de aprendizaje profundo con Keras

    Creación de un modelo Keras Comprensión de los datos Especificación del modelo de aprendizaje profundo Compilación del modelo Ajuste de su modelo Trabajar con los datos de clasificación Trabajar con modelos de clasificación Uso de los modelos

Trabajar con TensorFlow para el aprendizaje profundo para la banca

    Preparación de los datos Descarga de los datos Preparación de datos de entrenamiento Preparación de los datos de prueba Escalado de entradas Uso de marcadores de posición y variables
Especificación de la arquitectura de red
  • Uso de la función de coste
  • Uso del optimizador
  • Uso de inicializadores
  • Ajuste de la red neuronal
  • Construyendo el grafo Inferencia
  • Pérdida
  • Adiestramiento
  • Entrenamiento del modelo El gráfico
  • La sesión
  • Bucle de tren
  • Evaluación del modelo Creación del gráfico de evaluación
  • Evaluación con Eval Output
  • Modelos de entrenamiento a escala
  • Visualización y evaluación de modelos con TensorBoard
  • Práctico: Creación de un modelo de riesgo crediticio de aprendizaje profundo utilizando Python
  • Ampliación de las capacidades de su empresa
  • Desarrollo de modelos en la nube Uso de GPU para acelerar el aprendizaje profundo Aplicación del aprendizaje profundo Neural Networks para la visión artificial, el reconocimiento de voz y el análisis de texto
  • Resumen y conclusión
  • Requerimientos

    • Experiencia con Python programación
    • Familiaridad general con conceptos financieros y bancarios
    • Familiaridad básica con la estadística y los conceptos matemáticos
    • .
     28 horas

    Número de participantes



    Precio por participante

    Categorías Relacionadas