Programa del Curso

Introducción

Comprender los fundamentos de la inteligencia artificial y el aprendizaje automático

Comprender el aprendizaje profundo
    Descripción general de los conceptos básicos del aprendizaje profundo
    Diferenciar entre aprendizaje automático y aprendizaje profundo
    Descripción general de las aplicaciones para el aprendizaje profundo

Descripción de redes neuronales
    ¿Qué son las redes neuronales?
    Redes neuronales vs modelos de regresión
    Comprender los fundamentos matemáticos y los mecanismos de aprendizaje
    Construyendo una Red Neural Artificial
    Comprender los Nodos y Conexiones Neurales
    Trabajando con neuronas, capas y datos de entrada y salida
    Comprender los perceptrones de una sola capa
    Diferencias entre aprendizaje supervisado y no supervisado
    Aprendizaje Feedforward y Feedback Neural Networks
    Comprender la propagación hacia adelante y la propagación hacia atrás
    Comprensión de la memoria larga a corto plazo (LSTM)
    Explorando Redes Neuronales Recurrentes en la Práctica
    Explorando redes neuronales convolucionales en la práctic

Descripción general de las técnicas de aprendizaje profundo utilizadas en la banca
     Redes neuronales
     Procesamiento natural del lenguaje
     Reconocimiento de imagen
     Reconocimiento de voz
     Análisis Sentimental

Explorando estudios de casos de aprendizaje profundo para la banca
     Programas contra el lavado de dinero
     Controles de Know-Your-Customer (KYC)
     Monitoreo de la lista de sanciones
     Supervisión del fraude en la facturación
     Gestión de riesgos
     Detección de fraude
     Segmentación de productos y clientes
     Evaluación del desempeño
     Funciones generales de cumplimiento
    
Comprender los beneficios del aprendizaje profundo para la banca

Explorando los diferentes paquetes de aprendizaje profundo para R

Aprendizaje profundo en R con Keras y RStudio
    Descripción general del paquete Keras para R
    Instalación del paquete Keras para R
    Cargando los datos
        Usar conjuntos de datos integrados
        Usar datos de archivos
        Usando datos ficticios
    Explorando los datos
    Preprocesamiento de los datos
        Limpiando los datos
        Normalizando los datos
        Dividir los datos en entrenamiento y conjuntos de prueba
    Implementación de One Hot Encoding (OHE)
    Definiendo la arquitectura de su modelo
    Compilando y ajustando su modelo a los datos
    Entrenando su modelo
    Visualizando el historial de entrenamiento modelo
    Uso de su modelo para predecir etiquetas de datos nuevos
    Evaluar su modelo
    Afinando tu modelo
    Guardar y exportar su modelo
        
Práctica: construcción de un modelo de riesgo de crédito de aprendizaje profundo con R

Extender las capacidades de su empresa
    Desarrollar modelos en la nube
    Uso de GPU para acelerar el aprendizaje profundo
    Aplicación de Deep Learning Neural Networks para visión artificial, reconocimiento de voz y análisis de texto

Resumen y conclusión

Requerimientos

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

Número de participantes


Comienza

Termina


Dates are subject to availability and take place between 09:30 and 16:30.
Los cursos de formación abiertos requieren más de 5 participantes.

Cursos Relacionados

Torch: Introducción a Máquina y Aprendizaje Profundo

  21 horas

Categorías Relacionadas