1、培训过程中，如有部分内容理解不透或消化不好，可免费在以后培训班中重听；
        2、培训结束后,授课老师留给学员联系方式,保障培训效果,免费提供课后技术支持。
        3、培训合格学员可享受免费推荐就业机会。

金融行业人工智能与数据挖掘实战培训大纲

金融科技中的数据科技在经营分析中的作用 一、银行地区经营评价指标
a)中国银行网点经营评价指标体系介绍
1.财务报表分析
资产负债表
利润表
现金流表分析
2.财务指标分析
盈利指标分析
安全性分析
流动性分析
3.华夏银行网点经营指标分析
盈利性指标
二、银行网点运营风险预警指标
1.华夏银行风险指标
利率敏感性指标
贷款净损失率
低质量贷款比例
2.清偿力指标
核心资本充足率
资产增长率等
三、银行产品评价指标体系
商业银行理财产品评价指标体系
1.我国现有商业银行理财产品评价体系比较
IFB
益普标准
和讯网测评体系
国外评价体系
2.银行理财产品评价指标体系构建
3.层次分析方法
4.晨星评估法
5.收益状况
6.安全性分析
7.流动性分析
8.发展行竞争力分析
9.专业性分析等
金融行业人工智能与机器学习案例研讨-金融用户贷款违约判断与关联销售 一、金融用户贷款违约判断与分析（分类算法）－贷后违约分析 上午:11.00-12.00
1.案例背景说明
2.案例数据集介绍
3.数据预处理
4.使用随机森林进行用户贷款违约分析
5.使用GDBT进行用户贷款违约分析
6.使用Adaboost进行用户贷款违约分析
7.模型间的对比：GBDT，随机森林，Adaboost
8.模型效果验证
9.模型上线流程实现
10.模型评价与回归测试
二、金融基金商品关联推荐（关联应用）
1.案例背景说明
2.案例数据集介绍
3.数据预处理
4.使用FP-Growth进行分析
5.使用Apriori 进行关联推荐分析
6.效果评价
7.推荐商品使用流程介绍
8.模型优化方式介绍
三、金融基金商品收益预测模型
1.如何预测一只股票的价格
2.基于时间序列的基金收益预测
3.基于回归分析的基金收益预测
基于多元非线性回归的基金收益预测

金融行业人工智能与机器学习案例研讨-客户生命周期管理 一、机器学习在金融客户生命周期管理的应用
1)金融客户生命周期管理理论介绍
2)金融客户生命周期管理中使用的机器学习算法介绍
二、金融客户价值分析案例研讨
1)客户价值分析的地位与作用
2)基于聚类技术的客户价值分析模型
案例背景说明
案例数据集说明v
使用KMeans方法聚类
聚类结果分析：特殊客户群识别
1)基于RFM的客户价值分析模型
RFM介绍
信用卡银行RFM模型介绍
2)客户未来产品与营销关系费用预测模型
未来产品成本 = 未来购买金额 *（1-CRM毛利率），CRM毛利 = 购买金额
– 产品成本 – 关系营销费用
三、金融客户消费模式分析案例研讨
1)消费模式分析所需要用到的数据
2)消费模式分析过程与方法论
3)用户画像基础理论
4)银行用户画像的构建方法
5)影响个人消费的因素分析
用户流失分析
第二阶段 机器学习基础算法 1. 逻辑回归算法原理,推导
2. 逻辑回归代码实现
3. 多分类问题解决方案
4. 一对一分类,一对多分类
5. 决策树算法模型
6. 熵原理,信息增益
7. 决策树构建
8. 决策树代码实现
9. 贝叶斯算法原理
10. 贝叶斯代码实现
11. 实例1：使用贝叶斯分类器打造拼写检查器
12. 实例2：垃圾邮件分类任务

第三阶段 机器学习进阶算法 1. Adaboosting算法原理
2. Boosting机制,优势分析
3. 自适应增强算法代码实现
4. 实例：使用集成算法改进泰坦尼克号预测
5. 线性支持向量机算法原理推导
6. 支持向量机核变换推导
7. SMO求解支持向量机
8. SMO算法代码实现
9. 随机森林算法原理
10. 使用随机森林衡量选择特征标准
11. 实例：使用随机森林改进泰坦尼克获救预测
12. 聚类算法综述
13. K-MEANS与DBSCAN算法讲解
第四阶段 机器学习实战项目 1. HTTP日志流量数据分析
2. 特征提取
3. 预处理，归一化
4. 分类解决方案
5. 聚类解决方案
6. 二分图，转移矩阵原理
第五阶段 深度学习基础 1. 人工智能深度学习历史发展及简介
2. 得分函数
3. 损失函数
4. 正则化
5. Softmax分类器原理
6. 优化问题
7. 梯度下降
8. 反向传播
第六阶段 深度学习进阶 神经网络 1. 神经网络原理
2. 激活函数
3. 深入神经网络细节
4. 感受神经网络的强大
5. 实例：神经网络代码实现并与线性分类对比

第七阶段 深度学习核心 卷积神经网络 1. 卷积神经网络的强大
2. 卷积神经网络详解-卷积层
3. 卷积神经网络详解-池化层
4. 卷积神经网络详解-全连接层
5. 卷积效果实例
第八阶段 深度学习网络架构 1. 经典神经网络实例（ALEXNET,VGG）详解
2. RNN与LSTM记忆网络
3. 数据增强，网络设计，参数初始化
4. 级联模式网络结构分析-人脸检测算法分析
5. 序列化网络结构分析-人体姿态识别算法分析
6. 深度残差网络
7. PRISMA如何实现风格转换
8. Faster-rcnn物体检测框架原理详解
第九阶段 深度学习框架CAFFE详解 1. CAFFE框架简介
2. 配置文件结构
3. 制作LMDB格式数据源
4. 训练网络模型
5. 超参数设置
6. 数据预处理方案
7. 训练网络技巧
第十阶段 深度学习项目实战人脸检测 1. 人脸检测数据收集
2. 制作正负样本给定标签
3. 制作LMDB数据源
4. 使用CAFFE训练人脸检测网络
5. 代码实现人脸检测模型