金融行業人工智能與數據挖掘實戰培訓大綱
金融科技中的數據科技在經營分析中的作用 一、銀行地區經營評價指標
a)中國銀行網點經營評價指標體系介紹
1.財務報表分析
資產負債表
利潤表
現金流表分析
2.財務指標分析
盈利指標分析
安全性分析
流動性分析
3.華夏銀行網點經營指標分析
盈利性指標
二、銀行網點運營風險預警指標
1.華夏銀行風險指標
利率敏感性指標
貸款凈損失率
低質量貸款比例
2.清償力指標
核心資本充足率
資產增長率等
三、銀行產品評價指標體系
商業銀行理財產品評價指標體系
1.我國現有商業銀行理財產品評價體系比較
IFB
益普標準
和訊網測評體系
國外評價體系
2.銀行理財產品評價指標體系構建
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.發展行競爭力分析
9.專業性分析等
金融行業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聯銷售 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.案例數據集介紹
3.數據預處理
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
10.模型評價與回歸測試
二、金融基金商品關聯推薦（關聯應用）
1.案例背景說明
2.案例數據集介紹
3.數據預處理
4.使用FP-Growth進行分析
5.使用Apriori 進行關聯推薦分析
6.效果評價
7.推薦商品使用流程介紹
8.模型優化方式介紹
三、金融基金商品收益預測模型
1.如何預測一只股票的價格
2.基于時間序列的基金收益預測
3.基于回歸分析的基金收益預測
基于多元非線性回歸的基金收益預測
金融行業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)基于聚類技術的客戶價值分析模型
案例背景說明
案例數據集說明v
使用KMeans方法聚類
聚類結果分析：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)客戶未來產品與營銷關系費用預測模型
未來產品成本 = 未來購買金額 *（1-CRM毛利率），CRM毛利 = 購買金額
– 產品成本 – 關系營銷費用
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據
2)消費模式分析過程與方法論
3)用戶畫像基礎理論
4)銀行用戶畫像的構建方法
5)影響個人消費的因素分析
用戶流失分析
第二階段 機器學習基礎算法 1. 邏輯回歸算法原理,推導
2. 邏輯回歸代碼實現
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. 決策樹構建
8. 決策樹代碼實現
9. 貝葉斯算法原理
10. 貝葉斯代碼實現
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
第三階段 機器學習進階算法 1. Adaboosting算法原理
2. Boosting機制,優勢分析
3. 自適應增強算法代碼實現
4. 實例：使用集成算法改進泰坦尼克號預測
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
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 機器學習實戰項目 1. HTTP日志流量數據分析
2. 特征提取
3. 預處理，歸一化
4. 分類解決方案
5. 聚類解決方案
6. 二分圖，轉移矩陣原理
第五階段 深度學習基礎 1. 人工智能深度學習歷史發展及簡介
2. 得分函數
3. 損失函數
4. 正則化
5. Softmax分類器原理
6. 優化問題
7. 梯度下降
8. 反向傳播
第六階段 深度學習進階 神經網絡 1. 神經網絡原理
2. 激活函數
3. 深入神經網絡細節
4. 感受神經網絡的強大
5. 實例：神經網絡代碼實現并與線性分類對比
第七階段 深度學習核心 卷積神經網絡 1. 卷積神經網絡的強大
2. 卷積神經網絡詳解-卷積層
3. 卷積神經網絡詳解-池化層
4. 卷積神經網絡詳解-全連接層
5. 卷積效果實例
第八階段 深度學習網絡架構 1. 經典神經網絡實例（ALEXNET,VGG）詳解
2. RNN與LSTM記憶網絡
3. 數據增強，網絡設計，參數初始化
4. 級聯模式網絡結構分析-人臉檢測算法分析
5. 序列化網絡結構分析-人體姿態識別算法分析
6. 深度殘差網絡
7. PRISMA如何實現風格轉換
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. 配置文件結構
3. 制作LMDB格式數據源
4. 訓練網絡模型
5. 超參數設置
6. 數據預處理方案
7. 訓練網絡技巧
第十階段 深度學習項目實戰人臉檢測 1. 人臉檢測數據收集
2. 制作正負樣本給定標簽
3. 制作LMDB數據源
4. 使用CAFFE訓練人臉檢測網絡
5. 代碼實現人臉檢測模型 |
shuhaipeixun
總部李老師