| 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
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(shuō)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(shuō)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(shuō)明
- 案例數(shù)據(jù)集說(shuō)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
2)客戶未來(lái)產(chǎn)品與營(yíng)銷關(guān)系費(fèi)用預(yù)測(cè)模型
- 未來(lái)產(chǎn)品成本 = 未來(lái)購(gòu)買金額 *（1-CRM毛利率），CRM毛利 = 購(gòu)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(guò)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(wèn)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. 最優(yōu)化問(wèn)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 |
