大數(shù)據(jù)和人工智能促進銀行的“數(shù)智化”思維轉(zhuǎn)型

=============================================================
《大數(shù)據(jù)/人工智能促進銀行的“數(shù)智化 ”思維轉(zhuǎn)型》 ——段方
某世界 100 強大數(shù)據(jù)/AI 總設(shè)計師 教授 北京大學博士后
=============================================================
14135907061 “疫情 ”如何變成“機會 ”？
-------------------------------------------------------------
1.1 歐洲“黑死病 ”的類比
1.1.1 黑死病促進了文藝復興
1.1.2 文藝復興奠定了工業(yè)革命基礎(chǔ)
1.1.3 疫情不僅推動“線上、云化、智能 ”
1.2 新冠肺炎“倒逼 ”的人工智能發(fā)展
1.2.1 從“精準防疫 ”說起
1.2.2 基于數(shù)據(jù)的算法提升
1.2.3 AI 變革的肺炎確診模式
1.2.4 “數(shù)智化 ”轉(zhuǎn)型成為趨勢
1.3 疫情的“持久戰(zhàn) ”應(yīng)對——數(shù)智化轉(zhuǎn)型
1.3.1 “精準復工 ”的必然！
1.3.2 如何識別“密切接觸者 ”？
1.3.3 疫情加速的“機器替代人 ”
1.3.4 信息流降低實體線下依賴
1.4 數(shù)智化將帶來哪些改變？
1.4.1 觀念上講發(fā)生的變革？
1.4.2 協(xié)作的形式和內(nèi)涵的變革
1.4.3 技術(shù)升級的“迫切性 ”
1.4.4 管理理論的“重寫 ”
1.5 銀行競爭力的升級
1.5.1 從重視“管理 ”升級到重視“技術(shù) ”
1.5.2 疫情倒逼的技術(shù)升級
1.5.3 Bank4.0 將加快實施
1.5.4 開放銀行成為趨勢
1.6 【案例】附件-AI助力新冠肺炎的“精準防疫 ”
1.7 【討論】紅軍長征中如何抓住危機中的“機遇 ”？——哪些新的方法論？
141351237672 新技術(shù)、新機遇
-------------------------------------------------------------
2.1 大數(shù)據(jù)的概念
2.2 大數(shù)據(jù)的“ 國家戰(zhàn)略 ”
2.2.1 國家戰(zhàn)略的含義？
2.2.2 習主席的“大數(shù)據(jù)防疫 ”
2.3 數(shù)據(jù)從“資產(chǎn) ”到“要素 ”
2.3.1 從“互聯(lián)網(wǎng)+ ”到“大數(shù)據(jù)* ”
2.3.2 大數(shù)據(jù)思維——“一切皆可量化 ”
2.3.3 如何超越土地等傳統(tǒng)的生產(chǎn)要素？
2.4 互聯(lián)網(wǎng)思維——顛覆你的想法
2.4.1 從傳統(tǒng)商超（銀行）的逐步消亡說起。。。
2.4.2 互聯(lián)網(wǎng)改變了什么？
2.4.2.1 線上改變效率
2.4.2.2 數(shù)據(jù)改變智能
2.4.3 大數(shù)據(jù)之后的新思維
2.4.3.1 AI 作為新的“外腦 ”
2.4.3.2 智慧銀行成為可能！
2.5 大數(shù)據(jù)下的人工智能——ALPHAGO 戰(zhàn)勝李世石
2.5.1 人工智能行業(yè)發(fā)展現(xiàn)狀
2.5.1.1 芯片層面 2.5.1.2 算法層面 2.5.1.3 應(yīng)用層面
2.5.1.4 開源的深遠影響
2.5.2 人工智能存在的問題及前景
2.5.2.1 人工智能的這一波進展有何局限？
2.5.2.2 人工智能會替代人嗎?
2.5.3 人的價值將重新評估
2.5.3.1 不僅替代人類肢體，更替代人類大腦
2.5.3.2 美國金融霸權(quán)如何顛覆？
2.5.3.3 美元與盧布的思考！
2.6 人工智能開啟“智能時代 ”！
2.6.1 為什么是深度學習？
2.6.1.1 引出
2.6.1.2 與淺層學習的區(qū)別 2.6.1.3 原因
2.6.2 什么是“無監(jiān)督 ”學習？
2.6.3 與神經(jīng)網(wǎng)絡(luò)的關(guān)系？
2.7 人工智能滲透到各個領(lǐng)域
2.7.1 金融領(lǐng)域
2.7.1.1 從精算師說起
2.7.1.2 AI 能替代操控哪些銀行業(yè)務(wù)？
2.7.1.3 金融與“算力 ”
2.7.2 教育領(lǐng)域
2.7.2.1 從知識教育開始的變革
2.7.2.2 AIQ 的引出
2.7.3 藝術(shù)領(lǐng)域
2.7.3.1 音樂
2.7.3.2 繪畫
2.7.3.3 詩歌
2.7.4 工程領(lǐng)域
2.7.4.1 無人駕駛機械
2.7.4.2 無人駕駛汽車
2.7.5 醫(yī)療領(lǐng)域等
2.8 開放銀行的大數(shù)據(jù)和人工智能
2.8.1 從“獨樂樂到眾樂樂 ”
2.8.2 數(shù)據(jù)對外經(jīng)營到能力對外經(jīng)營
2.8.3 FAAS——金融即服務(wù)
2.9 【案例】附件-大數(shù)據(jù)/AI 對各個行業(yè)的影響
2.10 【討論】IT 系統(tǒng)建設(shè)花了 30 年，DT/AT 呢？
141351250883 大數(shù)據(jù)下的銀行運營
-------------------------------------------------------------
3.1 從泰勒經(jīng)濟學說起
3.1.1 簡述泰勒經(jīng)濟學
3.1.2 數(shù)據(jù)與企業(yè)管理的天然聯(lián)系
3.1.3 讓大數(shù)據(jù)滲透到企業(yè)的每個毛孔
3.1.4 向數(shù)智化轉(zhuǎn)型要“競爭力 ”
3.2 客戶分析
3.2.1 客戶的數(shù)據(jù)維度
3.2.2 客戶征信分析
3.2.3 客戶視圖分析
3.2.4 客戶離網(wǎng)分析等
3.3 產(chǎn)品分析
3.3.1 產(chǎn)品數(shù)據(jù)維度
3.3.2 產(chǎn)品視圖分析
3.3.3 產(chǎn)品的潛在客戶分析
3.3.4 如何優(yōu)化產(chǎn)品？
3.4 精準營銷
3.4.1 營銷的本質(zhì)——配對
3.4.2 精準營銷——數(shù)據(jù)的魅力
3.4.3 營銷時機、渠道等選擇
3.5 精準風控
3.5.1 2C 和 2B 融合
3.5.2 大數(shù)據(jù)“透明 ”降低風險
3.5.3 算法降低風險
3.5.4 算力提升行業(yè)風控能力
3.6 員工的管理
3.6.1 員工的量化分析
3.6.2 大數(shù)據(jù)下的“辦公室分析 ”
3.6.3 員工績效考評
3.6.4 如何避免“蒼蠅犯大案 ”
3.7 外部生態(tài)圈的管理
3.7.1 生態(tài)圈的概念
3.7.2 金融企業(yè)的生態(tài)圈
3.7.3 上下游企業(yè)的管理
3.7.4 如何識別金融欺詐？
3.8 銀行的新“模式 ”
3.8.1 銀行是歷史發(fā)展的產(chǎn)物
3.8.2 技術(shù)不斷驅(qū)動銀行變革——BANK4.0
3.8.3 互聯(lián)網(wǎng)改寫“ 中介 ”模式
3.8.4 數(shù)據(jù)如何成為銀行的新“要素 ”
3.8.5 人工智能改寫風控模式
3.8.6 銀行將獲得“新生 ”
3.9 【案例】附件-某企業(yè)的數(shù)據(jù)挖掘應(yīng)用匯編
3.10 【討論】區(qū)塊鏈和人工智能如何助力企業(yè)更上一層樓？
141351237674 大數(shù)據(jù)應(yīng)用開發(fā)方法論（可選）
-------------------------------------------------------------
4.1 深度學習的方法論有何異同？
4.2 CRISP-DM（CRoss-Industry Standard Process for Data Mining）方法論
4.3 業(yè)務(wù)理解 （Business Understanding）
4.4 數(shù)據(jù)理解 （Data Understanding）
4.5 數(shù)據(jù)準備 （Data Preparation）
4.6 建模（Modeling）
4.7 評估（Evaluation）
4.8 部署 （Deployment）
4.9 【案例】附件-數(shù)據(jù)挖掘之外的方法論
141351282425 算法分析基礎(chǔ)
-------------------------------------------------------------
5.1 多維分析方法
5.1.1 OLAP 分析
5.1.2 上鉆和下鉆
5.1.3 用 OLAP 分析問題
5.2 機器學習算法
5.2.1 回歸算法
5.2.1.1 線性回歸 5.2.1.2 邏輯回歸
5.2.2 決策樹算法
5.2.2.1 C4.5 算法
5.2.2.2 CART 算法
5.2.3 貝葉斯算法
5.2.3.1 樸素貝葉斯算法
5.2.3.2 BBN（Bayesian Belief Network）算法
5.2.4 基于核的算法
5.2.4.1 支持向量機 SVM 算法
5.2.4.2 線性判別分析(Linear Discriminate Analysis ，LDA)
5.2.5 聚類算法
5.2.5.1 K-MEANS 算法
5.2.5.2 期望最大化算法(Expectation Maximization ， ME)
5.2.6 關(guān)聯(lián)規(guī)則算法
5.2.6.1 Apriori 算法
5.2.7 降低維度算法
5.2.7.1 主成份分析(Principle Component Analysis， PCA)算法
5.2.7.2 偏最小二乘回歸(Partial Least Square Regression ，PLS)算法
5.2.8 集成算法
5.2.8.1 隨機森林算法
5.2.8.2 梯度推進機
5.3 神經(jīng)網(wǎng)絡(luò)學習
5.3.1 概念
5.3.1.1 腦神經(jīng)元分析
5.3.2 原理
5.3.2.1 BP 網(wǎng)絡(luò)
5.4 深度學習原理
5.4.1 從單層神經(jīng)網(wǎng)絡(luò)到多層神經(jīng)網(wǎng)絡(luò)
5.4.2 深度學習的訓練過程
5.4.3 深度學習的具體模型及方法
5.4.4 深度學習的性能比較
5.4.5 深度學習的應(yīng)用
5.5 深度學習的意義
5.5.1 改變了傳統(tǒng)人工智能的哪些思維定式？
5.5.2 深度學習的無監(jiān)督學習
5.6 【例】附件-機器學習方法在金融行業(yè)應(yīng)用舉例
5.7 【討論】銀行如何借助算法替代人工？
141351237526 大數(shù)據(jù)機器學習案例
-------------------------------------------------------------
6.1 【案例 1】客戶欺詐分析案例
6.2 【案例 2】某客戶群體細分及營銷
6.3 【案例 3】人工智能用于營業(yè)廳分析的案例
6.4 【案例4】深度學習應(yīng)用于客戶服務(wù)系統(tǒng)案例
141351238107 【附】大數(shù)據(jù)應(yīng)用的方法論——互聯(lián)網(wǎng)思維
-------------------------------------------------------------
7.1 互聯(lián)網(wǎng)思維概述
7.2 用戶思維
7.2.1 用戶是誰
7.2.2 用戶需要什么？
7.3 極致思維
7.3.1 產(chǎn)品極致設(shè)計
7.3.2 服務(wù)的極致
7.4 簡約思維
7.4.1 產(chǎn)品的簡約
7.4.2 簡約的流程
7.5 迭代思維
7.5.1 產(chǎn)品的快速迭代
7.5.2 開發(fā)過程的快速迭代
7.6 流量思維
7.6.1 先有客戶再有錢
7.6.2 擴展客戶使用流量
7.7 平臺思維
7.7.1 APP store 的借鑒
7.7.2 生態(tài)圈的構(gòu)筑
7.8 跨界思維
7.8.1 數(shù)據(jù)的跨界
7.8.2 應(yīng)用的跨界
7.9 數(shù)據(jù)思維
7.9.1 收集數(shù)據(jù)
7.9.2 分析數(shù)據(jù)
7.10 社會化思維
7.10.1 影響社會
7.10.2 社會角度思考
7.11 【案例】附件-互聯(lián)網(wǎng)思維在大數(shù)據(jù)系統(tǒng)中的落地
7.12 【討論】銀行如何借用互聯(lián)網(wǎng)思維？
141351136138 總結(jié)
-------------------------------------------------------------

段方老師的其它課程