本學習培訓實踐活動與基礎(chǔ)理論并舉，根據(jù)基礎(chǔ)理論解讀，算法論述，實例分析和編號實踐活動，及其對全新的人工智能技術(shù)算法的發(fā)展趨勢和網(wǎng)絡(luò)的剖析和詳細介紹，使學生不但把握機器學習，人工智能技術(shù)行業(yè)常見算法，并且具備一定的創(chuàng)新性,將我人工智能技術(shù)的前沿和網(wǎng)絡(luò)技術(shù)性.
此外,教師將好幾個金融機構(gòu)/金融業(yè)/商業(yè)保險的機器學習的新項目和經(jīng)典案例,開展萃取和提煉出,編造了IronBank實例,便于將前幾天的模型串連起來,根據(jù)TensorFlow程序編寫實踐活動,將人工智能技術(shù)運用到學生的具體信貸業(yè)務(wù)中,更為接近學生的日常事務(wù).
終實踐活動中的業(yè)務(wù)流程數(shù)據(jù)信息復雜多變,環(huán)境模擬數(shù)據(jù)信息可能簡單化或歪曲業(yè)務(wù)流程難題,因此此次學習培訓的數(shù)據(jù)信息都來自于抗過敏以后的業(yè)務(wù)流程數(shù)據(jù)信息,便于學生可以將所教無縫拼接運用到具體工作上.
部分:人工智能技術(shù)和機器學習概述
1人工智能化和機器學習概述
人工智能技術(shù)發(fā)展歷程
應(yīng)用領(lǐng)域概述：如圖像識別技術(shù)，文本分析，算法
近期成效概述：如增強學習，生成式對抗網(wǎng)絡(luò)，根據(jù)低動能的互聯(lián)網(wǎng)，one-shotleaning
軟件框架概述，如sparkML，sklean，tensorflow，caffe，Theano
第二一部分:算法與模型學習培訓
1線性重歸模型
根據(jù)圖型形象化展現(xiàn)線性回歸算法
線性回歸算法詳細說明—成本函數(shù)和主要參數(shù)升級涵數(shù)
設(shè)備是如何學習?--梯度下降算法詳細描述
學的“快”和“好”--學習率的衡量與佳實踐
維持同樣的“起跑點”的神器-FeatureScaling
多自變量線性回歸模型詳細介紹
2邏輯回歸
邏輯回歸模型和情景概述
線形匪類器與離散系統(tǒng)支持向量機
激活函數(shù)的多種多樣挑選
costfunction的轉(zhuǎn)變
三人工神經(jīng)網(wǎng)絡(luò)
從邏輯回歸到人力神經(jīng)網(wǎng)絡(luò)
感知器模型
多層感知器
深層神經(jīng)網(wǎng)絡(luò)
設(shè)計方案深層神經(jīng)網(wǎng)絡(luò)的佳實踐
4卷積和神經(jīng)網(wǎng)絡(luò)CNN
卷積和神經(jīng)網(wǎng)絡(luò)歷史時間
AlexNet,ResNet,googleNet詳細介紹
卷積層詳細介紹
池化層
全連接層
DropOut正則化
常見主要參數(shù)詳細介紹和CNN優(yōu)化
5循環(huán)系統(tǒng)神經(jīng)網(wǎng)絡(luò)RNN
RNN運用概述
時間序列分析LSTM模型
自然語言理解解決基本
雙重RNN與深層RNN
RNN完成實例
6異常檢測算法
出現(xiàn)異常的主觀因素
伽馬分布與異常檢測算法
異常檢測算法詳細介紹
怎樣對異常檢測算法開展評定
第三一部分:IronBank實例實踐活動
1實例詳細介紹
IronBank(鐵金庫)的收益和盈利持續(xù)下降,遭遇極大的挑戰(zhàn),高管科學研究后發(fā)覺下列三個難題是元兇:
1)高使用價值顧客的流動率升高
2)透支卡詐騙頻率升高
3)個人信用貸款毀約率升高
IT部選用TensorFlow創(chuàng)建機器學習模型來處理該難題
2TensorFlow詳細介紹
Tensorflow詳細介紹
撰寫個TensorFlow程
3透支卡詐騙檢驗
1)數(shù)據(jù)采集,數(shù)據(jù)預處理
2)創(chuàng)建異常檢測模型,鑒別透支卡詐騙
3)模型的點評和調(diào)優(yōu)
4預測分析借款顧客是不是將毀約
1)搜集借款顧客的特點數(shù)據(jù)信息
2)應(yīng)用神經(jīng)網(wǎng)絡(luò)算法,創(chuàng)建顧客毀約個人行為模型
3)模型的點評和調(diào)優(yōu)
5卷積和神經(jīng)網(wǎng)絡(luò)鑒別顧客
1)搜集顧客的圖型數(shù)據(jù)信息
2)選用經(jīng)典的卷積和神經(jīng)網(wǎng)絡(luò),鑒別進到營業(yè)網(wǎng)點的顧客
3)對高使用價值客戶開展客戶關(guān)系維護和目的性的營銷
地理位置 Location
