Plan du cours

Introduction

Comprendre les fondements de l'intelligence artificielle et Machine Learning

Comprendre Deep Learning

    Aperçu des concepts de base de l'apprentissage profond Différenciation entre Machine Learning et l'apprentissage profond Aperçu des applications de l'apprentissage profond

Vue d'ensemble de Neural Networks

    Que sont les Neural Networks Neural Networks vs modèles de régression Comprendre les fondements mathématiques et les mécanismes d'apprentissage Construction d'un réseau neuronal artificiel Comprendre les nœuds neuronaux et les connexions Travailler avec des neurones, des couches et des données d'entrée et de sortie Comprendre les perceptrons à couche unique Différences entre l'apprentissage supervisé et non supervisé Apprentissage par anticipation et par rétroaction Neural Networks Comprendre la propagation vers l'avant et la rétropropagation Comprendre la mémoire à long terme (LSTM) Explorer les récurrents Neural Networks en pratique Explorer l'apprentissage convolutif Neural Networks dans la pratique Améliorer la façon dont Neural Networks apprend

Aperçu des Deep Learning techniques utilisées dans le secteur bancaire

    Réseaux neuronaux Traitement du langage naturel Reconnaissance d'images Speech Recognition Analyse sentimentale

Explorer Deep Learning Études de cas pour le secteur bancaire

    Programmes de lutte contre le blanchiment d'argent Vérifications de la connaissance du client (KYC) Surveillance des listes de sanctions Surveillance de la fraude à la facturation Risk Management Détection de la fraude Segmentation des produits et des clients Évaluation des performances Fonctions générales de conformité

Comprendre les avantages du Deep Learning pour le secteur bancaire

Explorer les différents packages de Deep Learning pour R    ;   ; Apprentissage profond dans R avec Keras et RStudio

    Vue d'ensemble du paquetage Keras pour R Installation du package Keras pour R Chargement des données Utilisation d'ensembles de données intégrés Utilisation de données provenant de fichiers Utilisation de données fictives
Explorer les données
  • Prétraitement des données Nettoyage des données
  • Normaliser les données
  • Diviser les données en ensembles de formation et de test
  • Mise en œuvre du codage à chaud unique (OHE)
  • Définir l'architecture de votre modèle
  • Compilation et ajustement du modèle aux données
  • Former votre modèle
  • Visualisation de l'historique de la formation au modèle
  • Utiliser votre modèle pour prédire les étiquettes des nouvelles données
  • Évaluer votre modèle
  • Affiner votre modèle
  • Sauvegarde et exportation du modèle
  • Pratique : Construire un modèle de risque de crédit Deep Learning à l'aide de R
  • Étendre les capacités de votre entreprise
  • Développer des modèles dans le nuage Utiliser les GPU pour accélérer l'apprentissage profond Application du Deep Learning Neural Networks à la vision artificielle, à la reconnaissance vocale et à l'analyse de texte.

    Résumé et conclusion

    Pré requis

    • Expérience de base de la programmation R
    • Familiarité générale avec les concepts financiers et bancaires
    • Familiarité de base avec les statistiques et les concepts mathématiques
      28 heures

    Nombre de participants



    Prix par participant

    Cours Similaires

    Catégories Similaires