본문 바로가기

예측3

금융에서의 딥러닝 (개요) 이 기사는 Re-work Deep Learning Summit에서 발표된 내용을 요약했습니다. 해당 발표에서는 금융 모델이 실패하는 이유와 딥러닝이 그 격차를 어떻게 메울 수 있는지 설명했습니다. 더 나아가 금융 분야의 딥 러닝에 대한 세 가지 사용 사례와 이러한 모델의 우수성에 대한 증거를 제시했습니다. 금융이 가장 계산 집약적인 분야인 반면, 금융에서 널리 사용되는 모델은 감독 및 비지도 모델, 상태 기반 모델, 계량 경제 모델 또는 심지어 확률 적 모델까지도 과잉 피팅, 휴리스틱 및 열악한 문제로 인해 손상됩니다. 금융 영역은 매우 복잡하고 비선형적이며 서로 영향을 미치는 수많은 요인이 있기 때문입니다. 이를 해결하기 위해 이미지 인식, 음성 인식, 그리고 감정 분석 분야에서 입증된 딥러닝 연구를 .. 2021. 2. 14.
뱅킹 분야에서 상위 9가지 데이터 과학 사용 사례 은행 업계에서 데이터 과학을 사용하는 것은 단순히 트렌드가 아니라 경쟁사를 따라 잡기위한 필수 요소가되고 있습니다. 은행은 빅데이터 기술이 자원에 효율적으로 집중하고 더 현명한 결정을 내리고 성과를 개선하는 데 도움이 될 수 있음을 인식해야합니다. 다음은 상당한 양의 데이터로 작업 할 수있는 방법과 이를 효과적으로 사용하는 방법에 대한 아이디어를 제공하기 위해 결합한 은행 분야의 데이터 과학 사용 사례 목록입니다. 사기 탐지 기계 학습은 신용 카드, 회계, 보험 등과 관련된 사기를 효과적으로 탐지하고 예방하는 데 중요합니다. 은행 업무의 사전 예방적 사기 탐지는 고객과 직원에게 보안을 제공하는 데 필수적입니다. 은행이 사기를 빨리 감지할수록 손실을 최소화하기 위해 사기계정에 대해서 더 빨리 거래제한 등의.. 2021. 2. 14.
머신 러닝 기반의 금융 사기 탐지: 불균형 데이터를 다루는 방법 수년 동안 사기꾼들은 신용 카드나 직불 카드에서 숫자를 가져 와서 빈 플라스틱 카드에 인쇄하여 오프라인 상점에서 사용했습니다. 그러나 2015년에 Visa와 Mastercard는 은행과 가맹점에 EMV(칩 카드 기술)를 도입하도록 의무화했으며,이를 통해 가맹점은 각 거래에 대해 PIN을 요청할 수 있었습니다. 그럼에도 불구하고 전문가들은 온라인 신용 카드 사기가 2020년에 무려 32 억 달러까지 치 솟을 것이라고 예측했습니다. 이 금액은 Coca-Cola (20 억 달러), Warren Buffet의 Berkshire Hathaway (240 억 달러), 그리고 JP Morgan Chase (235 억 달러)와 같은 일부 전 세계 우량 기업의 2017년 수익보다 큰 금액입니다. 칩 카드 기술을 구현하는.. 2021. 1. 23.
728x90