Plan du cours

Introduction

Comprendre les fondamentaux de l'intelligence artificielle et Machine Learning

Comprendre Deep Learning

    Présentation des concepts de base du Deep Learning Différenciation entre Machine Learning et le Deep Learning Présentation des applications du Deep Learning

Aperçu de Neural Networks

    Que sont Neural Networks Neural Networks par rapport aux modèles de régression Comprendre les fondements mathématiques et les mécanismes d'apprentissage Construire un réseau neuronal artificiel Comprendre les nœuds neuronaux et les connexions Travailler avec les neurones, les couches et les données d'entrée et de sortie Comprendre les perceptrons monocouches Différences entre l'apprentissage supervisé et non supervisé Apprentissage Feedforward et commentaires Neural Networks Comprendre la propagation vers l'avant et la propagation arrière Comprendre la mémoire à long terme et à court terme (LSTM) Explorer la récurrence Neural Networks en pratique Explorer la convolution Neural Networks en pratique Améliorer la manière Neural Networks Apprendre

Aperçu des techniques d'apprentissage en profondeur utilisées dans Finance

    Réseaux de neurones Traitement du langage naturel Reconnaissance d'images Speech Recognition Analyse sentimentale

Explorer les études de cas sur l'apprentissage profond pour Finance

    Construction du portefeuille de tarification Risk Management Prédiction du rendement des transactions à haute fréquence

Comprendre les avantages du Deep Learning pour Finance

Explorer les différents packages Deep Learning pour R

Deep Learning en R avec Keras et RStudio

    Présentation du package Keras pour R Installation du package Keras pour R Chargement des données à l'aide d'ensembles de données intégrés à l'aide de données provenant de fichiers à l'aide de données factices
Explorer les données
  • Prétraitement des données Nettoyage des données
  • Normaliser les données
  • Diviser les données en ensembles de formation et de test
  • Implémentation d'un codage à chaud (OHE)
  • Définir l'architecture de votre modèle
  • Compilation et ajustement de votre modèle aux données
  • Entraîner votre modèle
  • Visualisation de l'historique de formation du modèle
  • Utiliser votre modèle pour prédire les étiquettes de nouvelles données
  • Évaluation de votre modèle
  • Affiner votre modèle
  • Enregistrement et exportation de votre modèle
  • Pratique : créer un modèle Deep Learning pour la prévision du cours des actions à l'aide de R
  • Étendre les capacités de votre entreprise
  • Développement de modèles dans le cloud à l'aide de GPU pour accélérer le Deep Learning Application du Deep Learning Neural Networks pour la vision par ordinateur, la reconnaissance vocale et l'analyse de texte

    Sommaire et conclusion

    Pré requis

    • Expérience de la programmation R
    • Familiarité générale avec les concepts financiers
    • Familiarité de base avec les statistiques et les concepts mathématiques
      28 heures
     

    Nombre de participants


    Début

    Fin


    Dates are subject to availability and take place between 09:30 and 16:30.
    Les formations ouvertes requièrent plus de 3 participants.

    Cours Similaires

    Catégories Similaires