金融行業(yè)人工智能與數(shù)據(jù)挖掘?qū)崙?zhàn)培訓(xùn)大綱
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
資產(chǎn)負(fù)債表
利潤(rùn)表
現(xiàn)金流表分析
2.財(cái)務(wù)指標(biāo)分析
盈利指標(biāo)分析
安全性分析
流動(dòng)性分析
3.華夏銀行網(wǎng)點(diǎn)經(jīng)營(yíng)指標(biāo)分析
盈利性指標(biāo)
二、銀行網(wǎng)點(diǎn)運(yùn)營(yíng)風(fēng)險(xiǎn)預(yù)警指標(biāo)
1.華夏銀行風(fēng)險(xiǎn)指標(biāo)
利率敏感性指標(biāo)
貸款凈損失率
低質(zhì)量貸款比例
2.清償力指標(biāo)
核心資本充足率
資產(chǎn)增長(zhǎng)率等
三、銀行產(chǎn)品評(píng)價(jià)指標(biāo)體系
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
IFB
益普標(biāo)準(zhǔn)
和訊網(wǎng)測(cè)評(píng)體系
國(guó)外評(píng)價(jià)體系
2.銀行理財(cái)產(chǎn)品評(píng)價(jià)指標(biāo)體系構(gòu)建
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）
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(jìn)行分析
5.使用Apriori 進(jìn)行關(guān)聯(lián)推薦分析
6.效果評(píng)價(jià)
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(cè)模型
1.如何預(yù)測(cè)一只股票的價(jià)格
2.基于時(shí)間序列的基金收益預(yù)測(cè)
3.基于回歸分析的基金收益預(yù)測(cè)
基于多元非線性回歸的基金收益預(yù)測(cè)
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
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(shí)別
1)基于RFM的客戶價(jià)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(yíng)銷關(guān)系費(fèi)用預(yù)測(cè)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(yíng)銷費(fèi)用
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. 多分類問題解決方案
4. 一對(duì)一分類,一對(duì)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(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. 優(yōu)化問題
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 |
shuhaipeixun
總部李老師