友情鏈接:
|
>工業(yè)機(jī)器人仿真培訓(xùn) |
R語(yǔ)言大數(shù)據(jù)分析培訓(xùn)課程 |
Ansys Workbench模擬培訓(xùn)
5
（9653人評(píng)價(jià)）
筆記：(65387)
學(xué)員：(217537)
瀏覽：(277013)
曙海教學(xué)優(yōu)勢(shì)
本課程面向企事業(yè)項(xiàng)目實(shí)際需要,秉承二十一年積累的教學(xué)品質(zhì)，金融行業(yè)人工智能與數(shù)據(jù)挖掘?qū)崙?zhàn)培訓(xùn)課程以項(xiàng)目實(shí)現(xiàn)為導(dǎo)向,老師將會(huì)與您分享設(shè)計(jì)的全流程以及工具的綜合使用技巧、經(jīng)驗(yàn)。線上/線下/上門皆可,金融行業(yè)人工智能與數(shù)據(jù)挖掘?qū)崙?zhàn)培訓(xùn)課程專家,課程可定制,熱線:4008699035。
大批企業(yè)和曙海
建立了良好的合作關(guān)系,20多年來(lái)，合作企事業(yè)單位以達(dá)30多萬(wàn)。曙海的課程培養(yǎng)了大批受企業(yè)歡迎的工程師。曙海的課程在業(yè)內(nèi)有著響亮的知名度。
?
| 金融科技中的數(shù)據(jù)科技在經(jīng)營(yíng)分析中的作用 | 一、銀行地區(qū)經(jīng)營(yíng)評(píng)價(jià)指標(biāo) a)中國(guó)銀行網(wǎng)點(diǎn)經(jīng)營(yíng)評(píng)價(jià)指標(biāo)體系介紹 1.財(cái)務(wù)報(bào)表分析
1.華夏銀行風(fēng)險(xiǎn)指標(biāo)
商業(yè)銀行理財(cái)產(chǎn)品評(píng)價(jià)指標(biāo)體系 1.我國(guó)現(xiàn)有商業(yè)銀行理財(cái)產(chǎn)品評(píng)價(jià)體系比較
3.層次分析方法 4.晨星評(píng)估法 5.收益狀況 6.安全性分析 7.流動(dòng)性分析 8.發(fā)展行競(jìng)爭(zhēng)力分析 9.專業(yè)性分析等 |
| 金融行業(yè)人工智能與機(jī)器學(xué)習(xí)案例研討-金融用戶貸款違約判斷與關(guān)聯(lián)銷售 | 一、金融用戶貸款違約判斷與分析（分類算法）－貸后違約分析 上午:11.00-12.00 1.案例背景說(shuō)明 2.案例數(shù)據(jù)集介紹 3.數(shù)據(jù)預(yù)處理 4.使用隨機(jī)森林進(jìn)行用戶貸款違約分析 5.使用GDBT進(jìn)行用戶貸款違約分析 6.使用Adaboost進(jìn)行用戶貸款違約分析 7.模型間的對(duì)比：GBDT，隨機(jī)森林，Adaboost 8.模型效果驗(yàn)證 9.模型上線流程實(shí)現(xiàn) 10.模型評(píng)價(jià)與回歸測(cè)試 二、金融基金商品關(guān)聯(lián)推薦（關(guān)聯(lián)應(yīng)用） |
| 金融行業(yè)人工智能與機(jī)器學(xué)習(xí)案例研討-客戶生命周期管理 | 一、機(jī)器學(xué)習(xí)在金融客戶生命周期管理的應(yīng)用 1)金融客戶生命周期管理理論介紹 2)金融客戶生命周期管理中使用的機(jī)器學(xué)習(xí)算法介紹 二、金融客戶價(jià)值分析案例研討 1)客戶價(jià)值分析的地位與作用 2)基于聚類技術(shù)的客戶價(jià)值分析模型
三、金融客戶消費(fèi)模式分析案例研討 1)消費(fèi)模式分析所需要用到的數(shù)據(jù) 2)消費(fèi)模式分析過(guò)程與方法論 3)用戶畫像基礎(chǔ)理論 4)銀行用戶畫像的構(gòu)建方法 5)影響個(gè)人消費(fèi)的因素分析 用戶流失分析 |
| 第二階段 機(jī)器學(xué)習(xí)基礎(chǔ)算法 | 1. 邏輯回歸算法原理,推導(dǎo) 2. 邏輯回歸代碼實(shí)現(xiàn) 3. 多分類問(wèn)題解決方案 4. 一對(duì)一分類,一對(duì)多分類 5. 決策樹(shù)算法模型 6. 熵原理,信息增益 7. 決策樹(shù)構(gòu)建 8. 決策樹(shù)代碼實(shí)現(xiàn) 9. 貝葉斯算法原理 10. 貝葉斯代碼實(shí)現(xiàn) 11. 實(shí)例1：使用貝葉斯分類器打造拼寫檢查器 12. 實(shí)例2：垃圾郵件分類任務(wù) ? ? |
| 第三階段 機(jī)器學(xué)習(xí)進(jìn)階算法 | 1. Adaboosting算法原理 2. Boosting機(jī)制,優(yōu)勢(shì)分析 3. 自適應(yīng)增強(qiáng)算法代碼實(shí)現(xiàn) 4. 實(shí)例：使用集成算法改進(jìn)泰坦尼克號(hào)預(yù)測(cè) 5. 線性支持向量機(jī)算法原理推導(dǎo) 6. 支持向量機(jī)核變換推導(dǎo) 7. SMO求解支持向量機(jī) 8. SMO算法代碼實(shí)現(xiàn) 9. 隨機(jī)森林算法原理 10. 使用隨機(jī)森林衡量選擇特征標(biāo)準(zhǔn) 11. 實(shí)例：使用隨機(jī)森林改進(jìn)泰坦尼克獲救預(yù)測(cè) 12. 聚類算法綜述 13. K-MEANS與DBSCAN算法講解 |
| 第四階段 機(jī)器學(xué)習(xí)實(shí)戰(zhàn)項(xiàng)目 | 1. HTTP日志流量數(shù)據(jù)分析 2. 特征提取 3. 預(yù)處理，歸一化 4. 分類解決方案 5. 聚類解決方案 6. 二分圖，轉(zhuǎn)移矩陣原理 |
| 第五階段 深度學(xué)習(xí)基礎(chǔ) | 1. 人工智能深度學(xué)習(xí)歷史發(fā)展及簡(jiǎn)介 2. 得分函數(shù) 3. 損失函數(shù) 4. 正則化 5. Softmax分類器原理 6. 最優(yōu)化問(wèn)題 7. 梯度下降 8. 反向傳播 |
| 第六階段 深度學(xué)習(xí)進(jìn)階 神經(jīng)網(wǎng)絡(luò) | 1. 神經(jīng)網(wǎng)絡(luò)原理 2. 激活函數(shù) 3. 深入神經(jīng)網(wǎng)絡(luò)細(xì)節(jié) 4. 感受神經(jīng)網(wǎng)絡(luò)的強(qiáng)大 5. 實(shí)例：神經(jīng)網(wǎng)絡(luò)代碼實(shí)現(xiàn)并與線性分類對(duì)比 ? |
| 第七階段 深度學(xué)習(xí)核心 卷積神經(jīng)網(wǎng)絡(luò) | 1. 卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)大 2. 卷積神經(jīng)網(wǎng)絡(luò)詳解-卷積層 3. 卷積神經(jīng)網(wǎng)絡(luò)詳解-池化層 4. 卷積神經(jīng)網(wǎng)絡(luò)詳解-全連接層 5. 卷積效果實(shí)例 |
| 第八階段 深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu) | 1. 經(jīng)典神經(jīng)網(wǎng)絡(luò)實(shí)例（ALEXNET,VGG）詳解 2. RNN與LSTM記憶網(wǎng)絡(luò) 3. 數(shù)據(jù)增強(qiáng)，網(wǎng)絡(luò)設(shè)計(jì)，參數(shù)初始化 4. 級(jí)聯(lián)模式網(wǎng)絡(luò)結(jié)構(gòu)分析-人臉檢測(cè)算法分析 5. 序列化網(wǎng)絡(luò)結(jié)構(gòu)分析-人體姿態(tài)識(shí)別算法分析 6. 深度殘差網(wǎng)絡(luò) 7. PRISMA如何實(shí)現(xiàn)風(fēng)格轉(zhuǎn)換 8. Faster-rcnn物體檢測(cè)框架原理詳解 |
| 第九階段 深度學(xué)習(xí)框架CAFFE詳解 | 1. CAFFE框架簡(jiǎn)介 2. 配置文件結(jié)構(gòu) 3. 制作LMDB格式數(shù)據(jù)源 4. 訓(xùn)練網(wǎng)絡(luò)模型 5. 超參數(shù)設(shè)置 6. 數(shù)據(jù)預(yù)處理方案 7. 訓(xùn)練網(wǎng)絡(luò)技巧 |
| 第十階段 深度學(xué)習(xí)項(xiàng)目實(shí)戰(zhàn)人臉檢測(cè) | 1. 人臉檢測(cè)數(shù)據(jù)收集 2. 制作正負(fù)樣本給定標(biāo)簽 3. 制作LMDB數(shù)據(jù)源 4. 使用CAFFE訓(xùn)練人臉檢測(cè)網(wǎng)絡(luò) 5. 代碼實(shí)現(xiàn)人臉檢測(cè)模型 |
