金融行業(yè)人工智能與數(shù)據(jù)挖掘?qū)崙?zhàn)培訓大綱
金融科技中的數(shù)據(jù)科技在經(jīng)營分析中的作用 一、銀行地區(qū)經(jīng)營評價指標
a)中國銀行網(wǎng)點經(jīng)營評價指標體系介紹
1.財務(wù)報表分析
資產(chǎn)負債表
利潤表
現(xiàn)金流表分析
2.財務(wù)指標分析
盈利指標分析
安全性分析
流動性分析
3.華夏銀行網(wǎng)點經(jīng)營指標分析
盈利性指標
二、銀行網(wǎng)點運營風險預(yù)警指標
1.華夏銀行風險指標
利率敏感性指標
貸款凈損失率
低質(zhì)量貸款比例
2.清償力指標
核心資本充足率
資產(chǎn)增長率等
三、銀行產(chǎn)品評價指標體系
商業(yè)銀行理財產(chǎn)品評價指標體系
1.我國現(xiàn)有商業(yè)銀行理財產(chǎn)品評價體系比較
IFB
益普標準
和訊網(wǎng)測評體系
國外評價體系
2.銀行理財產(chǎn)品評價指標體系構(gòu)建
3.層次分析方法
4.晨星評估法
5.收益狀況
6.安全性分析
7.流動性分析
8.發(fā)展行競爭力分析
9.專業(yè)性分析等
金融行業(yè)人工智能與機器學習案例研討-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.使用隨機森林進行用戶貸款違約分析
5.使用GDBT進行用戶貸款違約分析
6.使用Adaboost進行用戶貸款違約分析
7.模型間的對比：GBDT，隨機森林，Adaboost
8.模型效果驗證
9.模型上線流程實現(xiàn)
10.模型評價與回歸測試
二、金融基金商品關(guān)聯(lián)推薦（關(guān)聯(lián)應(yīng)用）
1.案例背景說明
2.案例數(shù)據(jù)集介紹
3.數(shù)據(jù)預(yù)處理
4.使用FP-Growth進行分析
5.使用Apriori 進行關(guān)聯(lián)推薦分析
6.效果評價
7.推薦商品使用流程介紹
8.模型優(yōu)化方式介紹
三、金融基金商品收益預(yù)測模型
1.如何預(yù)測一只股票的價格
2.基于時間序列的基金收益預(yù)測
3.基于回歸分析的基金收益預(yù)測
基于多元非線性回歸的基金收益預(yù)測
金融行業(yè)人工智能與機器學習案例研討-客戶生命周期管理 一、機器學習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器學習算法介紹
二、金融客戶價值分析案例研討
1)客戶價值分析的地位與作用
2)基于聚類技術(shù)的客戶價值分析模型
案例背景說明
案例數(shù)據(jù)集說明v
使用KMeans方法聚類
聚類結(jié)果分析：特殊客戶群識別
1)基于RFM的客戶價值分析模型
RFM介紹
信用卡銀行RFM模型介紹
2)客戶未來產(chǎn)品與營銷關(guān)系費用預(yù)測模型
未來產(chǎn)品成本 = 未來購買金額 *（1-CRM毛利率），CRM毛利 = 購買金額
– 產(chǎn)品成本 – 關(guān)系營銷費用
三、金融客戶消費模式分析案例研討
1)消費模式分析所需要用到的數(shù)據(jù)
2)消費模式分析過程與方法論
3)用戶畫像基礎(chǔ)理論
4)銀行用戶畫像的構(gòu)建方法
5)影響個人消費的因素分析
用戶流失分析
第二階段 機器學習基礎(chǔ)算法 1. 邏輯回歸算法原理,推導
2. 邏輯回歸代碼實現(xiàn)
3. 多分類問題解決方案
4. 一對一分類,一對多分類
5. 決策樹算法模型
6. 熵原理,信息增益
7. 決策樹構(gòu)建
8. 決策樹代碼實現(xiàn)
9. 貝葉斯算法原理
10. 貝葉斯代碼實現(xiàn)
11. 實例1：使用貝葉斯分類器打造拼寫檢查器
12. 實例2：垃圾郵件分類任務(wù)
第三階段 機器學習進階算法 1. Adaboosting算法原理
2. Boosting機制,優(yōu)勢分析
3. 自適應(yīng)增強算法代碼實現(xiàn)
4. 實例：使用集成算法改進泰坦尼克號預(yù)測
5. 線性支持向量機算法原理推導
6. 支持向量機核變換推導
7. SMO求解支持向量機
8. SMO算法代碼實現(xiàn)
9. 隨機森林算法原理
10. 使用隨機森林衡量選擇特征標準
11. 實例：使用隨機森林改進泰坦尼克獲救預(yù)測
12. 聚類算法綜述
13. K-MEANS與DBSCAN算法講解
第四階段 機器學習實戰(zhàn)項目 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 深度學習基礎(chǔ) 1. 人工智能深度學習歷史發(fā)展及簡介
2. 得分函數(shù)
3. 損失函數(shù)
4. 正則化
5. Softmax分類器原理
6. 優(yōu)化問題
7. 梯度下降
8. 反向傳播
第六階段 深度學習進階 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)細節(jié)
4. 感受神經(jīng)網(wǎng)絡(luò)的強大
5. 實例：神經(jīng)網(wǎng)絡(luò)代碼實現(xiàn)并與線性分類對比
第七階段 深度學習核心 卷積神經(jīng)網(wǎng)絡(luò) 1. 卷積神經(jīng)網(wǎng)絡(luò)的強大
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. 卷積效果實例
第八階段 深度學習網(wǎng)絡(luò)架構(gòu) 1. 經(jīng)典神經(jīng)網(wǎng)絡(luò)實例（ALEXNET,VGG）詳解
2. RNN與LSTM記憶網(wǎng)絡(luò)
3. 數(shù)據(jù)增強，網(wǎng)絡(luò)設(shè)計，參數(shù)初始化
4. 級聯(lián)模式網(wǎng)絡(luò)結(jié)構(gòu)分析-人臉檢測算法分析
5. 序列化網(wǎng)絡(luò)結(jié)構(gòu)分析-人體姿態(tài)識別算法分析
6. 深度殘差網(wǎng)絡(luò)
7. PRISMA如何實現(xiàn)風格轉(zhuǎn)換
8. Faster-rcnn物體檢測框架原理詳解
第九階段 深度學習框架CAFFE詳解 1. CAFFE框架簡介
2. 配置文件結(jié)構(gòu)
3. 制作LMDB格式數(shù)據(jù)源
4. 訓練網(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. 訓練網(wǎng)絡(luò)技巧
第十階段 深度學習項目實戰(zhàn)人臉檢測 1. 人臉檢測數(shù)據(jù)收集
2. 制作正負樣本給定標簽
3. 制作LMDB數(shù)據(jù)源
4. 使用CAFFE訓練人臉檢測網(wǎng)絡(luò)
5. 代碼實現(xiàn)人臉檢測模型 |
shuhaipeixun
總部李老師