Deep Learning for Banking (with Python)

• Doświadczenie w programowaniu Python
• Ogólna znajomość pojęć finansowych i bankowych
• Podstawowa znajomość statystyki i pojęć matematycznych

Uczenie maszynowe to gałąź sztucznej inteligencji, w której komputery mają zdolność uczenia się bez wyraźnego programowania. Uczenie głębokie to poddziedzina uczenia maszynowego, która wykorzystuje metody oparte na uczeniu się reprezentacji danych i struktur, takich jak sieci neuronowe. Python to język programowania wysokiego poziomu słynący z przejrzystej składni i czytelności kodu.

W tym prowadzonym przez instruktora szkoleniu na żywo uczestnicy dowiedzą się, jak wdrażać modele głębokiego uczenia się dla bankowości przy użyciu Python, przechodząc przez proces tworzenia modelu ryzyka kredytowego głębokiego uczenia się.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zrozumieć podstawowe koncepcje głębokiego uczenia się
• Poznać aplikacje i zastosowania głębokiego uczenia się w bankowości
• Używać Python, Keras i TensorFlow do tworzenia modeli głębokiego uczenia dla bankowości
• Zbudować własny model ryzyka kredytowego głębokiego uczenia przy użyciu Python.

Odbiorcy

• Programiści
• Naukowcy zajmujący się danymi

Format kursu

• Część wykładu, część dyskusji, ćwiczenia i ciężka praktyka praktyczna

Wprowadzenie

Zrozumienie podstaw sztucznej inteligencji i Machine Learning

Zrozumienie Deep Learning

• Przegląd podstawowych koncepcji Deep Learning
• Rozróżnienie między Machine Learning a Deep Learning
• Przegląd aplikacji dla Deep Learning

Przegląd Neural Networks

• Czym są Neural Networks
• Neural Networks a modele regresji
• Zrozumienie Mathematica l Podstawy i mechanizmy uczenia się
• Konstruowanie sztucznej sieci neuronowej
• Zrozumienie węzłów neuronowych i połączeń
• Praca z neuronami, warstwami oraz danymi wejściowymi i wyjściowymi
• Zrozumienie jednowarstwowych perceptronów
• Różnice między uczeniem nadzorowanym i nienadzorowanym
• Uczenie się z wyprzedzeniem i ze sprzężeniem zwrotnym Neural Networks
• Zrozumienie propagacji do przodu i propagacji wstecznej
• Zrozumienie długiej pamięci krótkotrwałej (LSTM)
• Eksploracja algorytmów rekurencyjnych Neural Networks w praktyce
• Eksploracja algorytmów konwolucyjnych Neural Networks w praktyce
• Ulepszanie sposobu uczenia się Neural Networks

Przegląd Deep Learning technik stosowanych w bankowości

• Neural Networks
• Przetwarzanie języka naturalnego
• Rozpoznawanie obrazów
• Speech Recognition
• Analiza sentymentalna

Eksploracja Deep Learning Studia przypadków dla bankowości

• Programy przeciwdziałania praniu pieniędzy
• Sprawdzanie tożsamości klienta (KYC)
• Monitorowanie listy sankcji
• Nadzór nad oszustwami rozliczeniowymi
• Ryzyko Management
• Wykrywanie oszustw
• Segmentacja produktów i klientów
• Ocena wydajności
• Ogólne funkcje zgodności

Zrozumienie korzyści płynących z Deep Learning dla bankowości

Odkrywanie różnych bibliotek Deep Learning dla Python

• TensorFlow
• Keras

Konfiguracja Python z TensorFlow dla Deep Learning

• Instalowanie TensorFlow Python API
• Testowanie instalacji TensorFlow
• Konfigurowanie TensorFlow dla rozwoju
• Trenowanie pierwszego modelu sieci neuronowej TensorFlow

Konfiguracja Python z Keras dla Deep Learning

Tworzenie prostych Deep Learning modeli z Keras

• Tworzenie modelu Keras
• Zrozumienie danych
• Określanie modelu Deep Learning
• Kompilowanie modelu
• Dopasowywanie modelu
• Praca z danymi klasyfikacji
• Praca z modelami klasyfikacji
• Korzystanie z modeli

Praca z TensorFlow dla Deep Learning dla bankowości

• Przygotowanie danych
  • Pobieranie danych
  • Przygotowywanie danych szkoleniowych
  • Przygotowywanie danych testowych
  • Skalowanie danych wejściowych
  • Używanie symboli zastępczych i zmiennych
• Określanie architektury sieci
• Korzystanie z funkcji kosztu
• Korzystanie z optymalizatora
• Używanie inicjalizatorów
• Dopasowywanie sieci neuronowej
• Tworzenie grafu
  • Wnioskowanie
  • Strata
  • Trening
• Trenowanie modelu
  • Wykres
  • Sesja
  • Pętla treningowa
• Ocena modelu
  • Tworzenie wykresu oceny
  • Ocena na podstawie danych wyjściowych
• Trenowanie modeli na dużą skalę
• Wizualizacja i ocena modeli za pomocą TensorBoard

Ćwiczenia praktyczne: Tworzenie Deep Learning modelu ryzyka kredytowego przy użyciu Python

Rozszerzanie możliwości firmy

• Tworzenie modeli w chmurze
• Wykorzystanie GPU do przyspieszenia Deep Learning
• Zastosowanie Deep Learning Neural Networks do Computer Vision, rozpoznawania głosu i analizy tekstu

Podsumowanie i wnioski