課程簡介
金融大數據的積累使得深度客戶洞察和風險識別成為可能。根據筆者的實踐，發(fā)現(xiàn)金融數據挖掘的最終模型由業(yè)務人員高度參與時的投入產出比是更高的，但是由于業(yè)務人員的技術能力有限，難以從浩瀚的數據海洋中提取高價值變量，因此往往處于“理想很豐滿、現(xiàn)實很骨干”的狀態(tài)。在大量數據面前缺抱怨無數可用。
整個數據挖掘價值鏈中，分為五個階段，分別是構建數據集市、特征生成、建立模型、模型上線、執(zhí)行策略與實施。其中特征生成對分析技術的要求最高，既需要對業(yè)務中模型運用的場景有深入的把握，又需要精通各類機器學習和深度學習算法，可以從交易時序、復雜網絡、半結構化數據中提取用于建模用的結構化寬表。
本課程使用真實場景下的金融落地案例，從業(yè)務洞察、算法能力、系統(tǒng)架構這三個維度上搭建起金融特征工程的框架體系。
目標收益
1、為銀行的業(yè)務人員開拓業(yè)務洞察視野和提供標準化的建模路線圖。
2、為算法工程師提供算法與業(yè)務的結合點。
3、為數據工程師提供系統(tǒng)架構設計思路。
4、為有志于從事金融大數據的人員提供定位指導和學習路線圖。
培訓對象
銀行的業(yè)務人員
算法工程師、數據科學家
市場、渠道高級經理及以上級別
課程大綱
| 一、金融大數據和人工智能的行業(yè)應用與發(fā)展 |
1.人工智能的行業(yè)圖譜和行業(yè)發(fā)展割析 2.人工智能結合大數據的金融行業(yè)應用案例 3.人工智能在金融領域的應用 |
| 二、金融大數據分析的價值鏈 |
1、構建數據集市 2、特征生成 3、建立模型 4、模型上線 5、執(zhí)行策略與實施 |
| 三、金融數據科學的三大分析范式和八大場景 |
1、金融行業(yè)中，決策、判別、優(yōu)化的三大分析范式 2、八大分析場景和特征工程的業(yè)務洞察 3、標簽體系框架 |
| 四、特征工程的算法框架 |
1、時序及空間特征提取及傳統(tǒng)機器學習算法 2、文本特征提取及深度學習算法 3、復雜網絡特征提取及圖算法 |
| 五、金融大數據處理能力 |
1、傳統(tǒng)數據庫產品的局限性 2、Spark在特征工程上的運用價值 3、分布式深度學習在特征工程上的運用價值 |
|
一、金融大數據和人工智能的行業(yè)應用與發(fā)展 1.人工智能的行業(yè)圖譜和行業(yè)發(fā)展割析 2.人工智能結合大數據的金融行業(yè)應用案例 3.人工智能在金融領域的應用 |
|
二、金融大數據分析的價值鏈 1、構建數據集市 2、特征生成 3、建立模型 4、模型上線 5、執(zhí)行策略與實施 |
|
三、金融數據科學的三大分析范式和八大場景 1、金融行業(yè)中，決策、判別、優(yōu)化的三大分析范式 2、八大分析場景和特征工程的業(yè)務洞察 3、標簽體系框架 |
|
四、特征工程的算法框架 1、時序及空間特征提取及傳統(tǒng)機器學習算法 2、文本特征提取及深度學習算法 3、復雜網絡特征提取及圖算法 |
|
五、金融大數據處理能力 1、傳統(tǒng)數據庫產品的局限性 2、Spark在特征工程上的運用價值 3、分布式深度學習在特征工程上的運用價值 |
近期公開課推薦
