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 .