本学习培训实践活动与基础理论并举，根据基础理论解读，算法论述，实例分析和编号实践活动，及其对全新的人工智能技术算法的发展趋势和网络的剖析和详细介绍，使学生不但把握机器学习，人工智能技术行业常见算法，并且具备一定的创新性,将我人工智能技术的前沿和网络技术性.
此外,教师将好几个金融机构/金融业/商业保险的机器学习的新项目和经典案例,开展萃取和提炼出,编造了IronBank实例,便于将前几天的模型串连起來,根据TensorFlow程序编写实践活动,将人工智能技术运用到学生的具体信贷业务中,更为接近学生的日常事务.
终实践活动中的业务流程数据信息复杂多变,环境模拟数据信息可能简单化或歪曲业务流程难题,因此此次学习培训的数据信息都来自于抗过敏以后的业务流程数据信息,便于学生可以将所教无缝拼接运用到具体工作上.
部分:人工智能技术和机器学习概述
1人工智能化和机器学习概述
人工智能技术发展历程
应用领域概述：如图像识别技术，文本分析，算法
近期成效概述：如增强学习，生成式对抗网络，根据低动能的互联网，one-shotleaning
软件框架概述，如sparkML，sklean，tensorflow，caffe，Theano
第二一部分:算法与模型学习培训
1线性重归模型
根据图型形象化展现线性回归算法
线性回归算法详细说明—成本函数和主要参数升级涵数
设备是如何学习?--梯度下降算法详细描述
学的“快”和“好”--学习率的衡量与佳实践
维持同样的“起跑点”的神器-FeatureScaling
多自变量线性回归模型详细介绍
2逻辑回归
逻辑回归模型和情景概述
线形匪类器与离散系统支持向量机
激活函数的多种多样挑选
costfunction的转变
三人工神经网络
从逻辑回归到人力神经网络
感知器模型
多层感知器
深层神经网络
设计方案深层神经网络的佳实践
4卷积和神经网络CNN
卷积和神经网络历史时间
AlexNet,ResNet,googleNet详细介绍
卷积层详细介绍
池化层
全连接层
DropOut正则化
常见主要参数详细介绍和CNN优化
5循环系统神经网络RNN
RNN运用概述
时间序列分析LSTM模型
自然语言理解解决基本
双重RNN与深层RNN
RNN完成实例
6异常检测算法
出现异常的主观因素
伽马分布与异常检测算法
异常检测算法详细介绍
怎样对异常检测算法开展评定
第三一部分:IronBank实例实践活动
1实例详细介绍
IronBank(铁金库)的收益和盈利持续下降,遭遇极大的挑戰,高管科学研究后发觉下列三个难题是元凶:
1)高使用价值顾客的流动率升高
2)透支卡诈骗频率升高
3)个人信用贷款毁约率升高
IT部选用TensorFlow创建机器学习模型来处理该难题
2TensorFlow详细介绍
Tensorflow详细介绍
撰写个TensorFlow程
3透支卡诈骗检验
1)数据采集,数据预处理
2)创建异常检测模型,鉴别透支卡诈骗
3)模型的点评和调优
4预测分析借款顾客是不是将毁约
1)搜集借款顾客的特点数据信息
2)应用神经网络算法,创建顾客毁约个人行为模型
3)模型的点评和调优
5卷积和神经网络鉴别顾客
1)搜集顾客的图型数据信息
2)选用經典的卷积和神经网络,鉴别进到营业网点的顾客
3)对高使用价值客户开展客户关系维护和目的性的营销
地理位置 Location
