Deep Learning for Banking (with Python)

• 具有 Python 编程经验
• 对金融和银行概念有大致的了解
• 对统计学和数学概念有基本的了解

机器学习是人工智能的一个分支，其中计算机具有无需明确编程即可学习的能力。深度学习是机器学习的一个子领域，它使用基于学习数据表示和结构（如神经网络）的方法。Python 是一种高级编程语言，以其清晰的语法和代码可读性而闻名。

在这个以讲师为主导的现场培训中，参与者将学习如何使用Python实施银行业的深度学习模型，同时逐步创建深度学习信用风险模型。

在培训结束时，参与者将能够：

• 了解深度学习的基本概念
• 了解深度学习在银行业中的应用和用途
• 使用 Python、Keras 和 TensorFlow 创建银行业深度学习模型
• 使用 Python 构建自己的深度学习信用风险模型

观众

• 开发 人员
• 数据科学家

课程形式

• 部分讲座，部分讨论，练习和大量的实践练习

介绍

了解人工智能的基础知识和 Machine Learning

了解 Deep Learning

• Deep Learning的基本概念概述
• 区分 Machine Learning 和 Deep Learning
• Deep Learning 的应用概述

Neural Networks概述

• 什么是 Neural Networks
• Neural Networks 与回归模型
• 了解 Mathematical 基础和学习机制
• 构建人工神经网络
• 了解神经节点和连接
• 处理神经元、层以及输入和输出数据
• 了解单层感知器
• 监督学习和无监督学习之间的区别
• 学习前馈和反馈 Neural Networks
• 了解前向传播和反向传播
• 了解长短期记忆 （LSTM）
• 在实践中探索循环 Neural Networks
• 在实践中探索卷积 Neural Networks
• 改进方式 Neural Networks 学习

银行业使用的 Deep Learning 技术概述

• Neural Networks
• 自然语言处理
• 图像识别
• Speech Recognition
• 情感分析

探索 Deep Learning 银行业案例研究

• 反洗钱计划
• 了解您的客户 （KYC） 检查
• 制裁名单监控
• 账单欺诈监督
• 风险 Management
• 欺诈检测
• 产品和客户细分
• 绩效评估
• 一般合规职能

了解 Deep Learning 对银行业的好处

探索不同的 Deep Learning 库 Python

• TensorFlow
• Keras

将 Python 与 TensorFlow 设置为 Deep Learning

• 安装 TensorFlow Python API
• 测试 TensorFlow 安装
• 为开发设置 TensorFlow
• 训练您的第一个 TensorFlow 神经网络模型

将 Python 与 Keras 设置为 Deep Learning

使用 Keras 构建简单的 Deep Learning 模型

• 创建 Keras 模型
• 了解您的数据
• 指定 Deep Learning 型号
• 编译模型
• 拟合您的模型
• 使用分类数据
• 使用分类模型
• 使用模型

使用 TensorFlow for Deep Learning 用于银行业

• 准备数据
  • 下载数据
  • 准备训练数据
  • 准备测试数据
  • 缩放输入
  • 使用占位符和变量
• 指定网络架构
• 使用成本函数
• 使用优化器
• 使用初始值设定项
• 拟合神经网络
• 构建图表
  • 推理
  • 损失
  • 训练
• 训练模型
  • 图表
  • 会议
  • 火车环路
• 评估模型
  • 构建评估图
  • 使用 Eval Output 进行评估
• 大规模训练模型
• 使用 TensorBoard 可视化和评估模型

实践：使用 Python 构建 Deep Learning 信用风险模型

扩展公司的能力

• 在云中开发模型
• 使用 GPU 加速 Deep Learning
• 将 Deep Learning Neural Networks 应用于 Computer Vision、语音识别和文本分析

总结和结论