说明

最近打算做一次针对银行的人工智能培训，这里梳理一下培训内容的大纲。以前做过一次很细致的培训，但是现在感觉当时很多文档和内容整理的还是不够方便。

借此机会把这些内容整理好，分门别类放好，争取再有一下次培训的时候可以很快拿出来。

最后，教学相长。我希望通过这次培训进一步加深对应人工智能的理解与应用。

内容

本次从内容上分为8次课讲授，分为理论和实操两部分，同时伴有考试。8个部分如下：

1. 人工智能概述
2. python基础（运行环境以及python语法）
3. 使用pandas进行数据分析-1
4. 使用pandas进行数据分析-2
5. 建模概述
6. 快速建模：逻辑回归及信用评分卡
7. 多模型建模及调优
8. 总结回顾及考试

1 人工智能概述

时长：两小时

• 1 人工智能的本质：自动化，更高层次的自动化。
  • 识别图：产线质检的自动化
  • 对话：客服工作的自动化
  • 内容创作：文字、音乐、图片、（影视）
  • 虚拟员工、虚拟艺人
• 2 强弱人工智能之分：
  • Chat算强人工智能吗？
• 3 感知与推理智能
• 4 算法、算力及存储、数据的发展
• 5 国家政策与民间趋势
• 6 AI在各行业中的价值
• 7 AI的分支与技术
• 8 AI在银行的应用场景
• 9 Plus: 人工智能相关的架构浅析 ~ 大数据量、大运算量、复杂系统的构建
  • 分布式
    • 分布式是什么
    • 人工智能与分布式的关系
  • 微服务
    • 微服务是什么
    • Docker
    • Flask/Tornado
  • 数据库
    • 数据库是什么（与文件系统的差别）
    • 数据库有哪些? 作用是什么
      • Mysql
      • Mongo
      • Neo4j
      • Redis
  • 显卡与算力
    • 1亿欧几里得测试

Work: 需要加几页片子，增加一些实际测试，让效果看起来直观、生动

2 python基础（运行环境以及python语法）

• 1 python语言介绍

  • 如何产生的
  • 现状（排名）

• 2 python的特点

  • 功能全面，只需要学会/适应一种语言就够了
  • 节约人的时间
  • 生态丰富，主流的产品都有python的接口
  • 建议可以再学一下javascript, 就可以成为全栈

• 3 python的运行环境

  • 1 单机方式：Anaconda、Python + Pip + 虚拟环境、 Docker
  • 2 web方式：Kaggle、RiceQuant
  • 3 可视化拖拽工具: KNIME

• 4 python基础概念

  • 1 安装的python是什么？
  • 2 python的用途
  • 3 python语法基础
  • 4 数据类型
  • 5 编程基础
  • 6 函数
  • 7 常用基础对象
  • 8 模块
  • 9 字符串的格式化
  • 10 系统操作包
  • 11 错误和异常
  • 12 python对象
  • 13 变量作用域

• 5 10组练习题及讲解

worker 对应的jupyter文件，稍微修改片子

3 使用pandas进行数据分析-1

DataFrame ~ 表

• 1 pandas包介绍
• 2 单表创建：列表创建，字典创建
• 3 表的数值变更：列的数值，元素的数值
• 4 给表增加行/列 ：添加行，添加列
• 5 表存取：csv、excel、pickle
• 6 表排序去重：单变量/多变量的升序和降序排列及去重
• 7 表的描述
• 8 表的筛选：单变量、多变量
• 9 表变换：单列、多列( lambda 与 map的使用)

练习题若干

work jupyter文件准备

4 使用pandas进行数据分析-2

• 1 横向合并
• 2 纵向合并
• 3 pandas的可视化
• 4 表的分组聚合
• 5 表汇总：单变量、多变量、交叉表、透视表
• 6 变量衍生：单变量、多变量

练习题若干

work jupyter文件准备

5 建模概述

• 1 什么是模型
• 2 业务理解
• 3 数据理解
• 4 数据准备
• 5 建模
• 6 评估
• 7 部署
• 8 常见的模型及示例

6 快速建模：逻辑回归及信用评分卡

• 1 逻辑回归介绍
• 2 信用评分卡介绍
• 3 快速建模方法介绍
• 4 建模过程介绍
  • 1 数据分析(目标分析）
  • 2 训练与测试的拆分
  • 3 离散化方法
  • 4 变量价值评估
  • 5 变量选择
  • 6 模型结果评估
  • 7 评分输出与解释
• 5 模型的回测方法
• 6 补充：关于强变量的使用

提供实例展示讲解，学员联系

7 多模型建模及调优

• 1 不同模型的特点介绍
• 2 模型增强的方法 Bagging、Boosting
• 3 基于网格搜索的参数调优
• 4 基准模型与增强模型的比较与应用

提供实例讲解，学员练习

8 总结回顾及考试

• 1 回顾理论知识点
• 2 回顾python基本语法
• 3 回顾基于pandas的数据操纵
• 4 回顾快速建模方法
• 5 笔试及上机考试