لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری ماشینی برای امور مالی [ویدئو]
Machine Learning for Finance [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری ماشینی برای امور مالی یک دوره عالی برای متخصصان مالی است که وارد حوزه فین تک می شوند. این نشان می دهد که چگونه می توان برخی از رایج ترین و مبرم ترین مسائل پیش روی موسسات در صنعت مالی، از بانک های خرد گرفته تا صندوق های تامینی را حل کرد.
این دوره ویدیویی بر یادگیری ماشین تمرکز دارد و طیف وسیعی از ابزارهای تجزیه و تحلیل مانند NumPy، Matplotlib و Pandas را پوشش می دهد. این مملو از کدهای عملی است که بسیاری از مشکلات را شبیه سازی می کند و راه حل های کاری را ارائه می دهد.
هدف این دوره ایجاد اعتماد به نفس و تجربه شما برای پیشبرد و مقابله با مشکلات زندگی واقعی در تحلیل مالی است. این صنعت الگوریتمهای خودکار و مبتنی بر داده را با سرعتی سریع اتخاذ میکند و یادگیری ماشینی برای امور مالی مهارتهایی را به شما میدهد که باید در خط مقدم باشید.
در پایان این دوره، شما به تمام ابزارهای دنیای مالی، یادگیری ماشینی و یادگیری عمیق که برای مقابله با همه این مسائل مبرم در حوزه فین تک ضروری است، مجهز خواهید شد.
فایلهای کد این ویدیوها نیز در این مخزن GitHub موجود است: https://github.com/PacktPublishing/Machine-Learning-for-Finance-video چگونه مشکلات را در فینتک و سرمایهگذاریهای مالی برطرف کنیم.
مهندسی ویژگی، EDA و درک اطلاعات مالی را بیاموزید
یک مدل مبتنی بر ANN برای پیشبینی قیمت سهام بسازید
مهارتهای یادگیری ماشینی خود را با مدلهای گروهی مانند جنگل تصادفی و XGBoost تقویت کنید.
درک خود را از شبکه های عصبی برای ساخت مدل های مبتنی بر رگرسیون افزایش دهید.
بیاموزید که چگونه تراکنش های جعلی را با ساختن یک مدل تشخیص تقلب با استفاده از مدل های طبقه بندی شناسایی کنید.
با استفاده از ویژگی هایی مانند نسبت های شارپ و مدیریت ریسک، به مرزهای کارآمد دست یابید. این دوره برای متخصصان مالی است که وارد این حوزه می شوند و قبلاً برخی از مهارت های پایتون را دارند و می خواهند در یادگیری ماشین مهارت داشته باشند.
الزامات: دانش اولیه پایتون، امور مالی و یادگیری ماشین
با آموزش تجسم و تجزیه و تحلیل اکتشافی دادههای مالی، ویژگیهای معمولی مانند RSI و میانگین متحرک، پایهای از آنچه را که باید دنبال کنید، تعیین میکند. * قیمت سهام را با استفاده از مدل های یادگیری ماشینی مانند رگرسیون خطی، جنگل تصادفی، XGBoost و شبکه های عصبی پیش بینی کنید. * از تئوری مدرن پورتفولیو، نسبت شارپ، شبیهسازی سرمایهگذاری و یادگیری ماشینی برای ایجاد یک سبد سرمایهگذاری سودمند در سهام استفاده کنید.
سرفصل ها و درس ها
درک داده های مالی، EDA، و مهندسی ویژگی
Financial Data Understanding, EDA, and Feature Engineering
بررسی اجمالی دوره
The Course Overview
تجسم، EDA، و مهندسی ویژگی داده های مالی
Visualization, EDA, and Feature Engineering of Financial Data
ویژگی های داده های سهام
Features of the Stock Data
تجزیه و تحلیل تک متغیره و دو متغیره داده ها
Univariate and Bivariate Analysis of Data
استخراج میانگین متحرک و ویژگی های مبتنی بر RSI
Deriving Moving Average and RSI Based Features
پاکسازی داده ها و تشخیص بیرونی
Data cleaning and Outlier Detection
ایجاد ویژگی ها و متغیر مستقل
Creating the Features and Independent Variable
داده ها را برای مدل سازی آماده کنید
Prepare Data for Modeling
پیش بینی ارزهای فارکس با ساخت یک مدل خطی
Predicting the FOREX Currencies by Building a Linear Model
شهود رگرسیون خطی
Linear Regression Intuition
درک اطلاعات بازار فارکس
Understanding of FOREX Markets Data
پیش پردازش داده های ارز فارکس برای ورودی مدل
Pre-Process FOREX Currency Data for Model Input
ساخت مدل رگرسیون خطی
Building the Linear Regression Model
R-Squared و Adjusted R-Squared به عنوان یک متریک عملکرد
R-Squared and Adjusted R-Squared as a Performance Metric
اهمیت آزمایش ویژگی ها با استفاده از p-value و VIF
The Testing Significance of Features by Using p-value and VIF
تنظیم فراپارامتر و انتخاب مدل نهایی
Hyperparameter Tuning and Final Model Selection
تکنیک های یادگیری ماشینی مبتنی بر درخت برای پیش بینی سهام
Tree-Based Machine Learning Techniques for Stock Prediction
شهود درختان تصمیم
Decision Trees Intuition
معیار آنتروپی و کسب اطلاعات برای ساخت درخت
Entropy and Information Gain Criterion for Tree Construction
ساخت یک مدل مبتنی بر درخت تصمیم برای پیشبینی قیمت سهام
Building a Decision Tree-Based Model for Predicting Stock Prices
آموزش با استفاده از حداکثر عمق مختلف
Train Using Different Max Depth
شهود تصادفی جنگل
Random Forest Intuition
برای پیشبینی قیمت سهام، یک رگرسیون جنگل تصادفی بسازید
Build a Random Forest Regressor for Predicting Stock Prices
تقویت و مدل رگرسیون مبتنی بر XGBoost برای پیش بینی سهام
Boosting and XGBoost Based Regression Model for Stock Prediction
مبانی و شهود شبکه های عصبی مصنوعی
Artificial Neural Networks Basics and Intuition
شبکه عصبی چیست
What a Neural Network Is
فید فوروارد در شبکه های عصبی
Feed Forward in Neural Networks
گرادیان نزول در شبکه های عصبی
Gradient Descent in Neural Networks
انتشار برگشتی در شبکه های عصبی
Back Propagation in Neural Networks
تابع اتلاف در شبکه های عصبی
Loss Function in Neural Networks
فراپارامترها در شبکه های عصبی
Hyperparameters in Neural Networks
پیش بینی قیمت سهام با استفاده از شبکه های عصبی مصنوعی
Stock Price Prediction by Using Artificial Neural Networks
داده ها را برای ورود به شبکه عصبی آماده کنید
Prepare Data for Ingestion into the Neural Network
لایه ها و مدل شبکه عصبی را تعریف کنید
Define the Neural Network Layers and Model
مدل Keras را با استفاده از Pydot تجسم کنید
Visualize Keras Model by using Pydot
مدل را با استفاده از پارامترهای اساسی آموزش دهید
Train the Model Using Basic Parameters
عملکرد مدل را با استفاده از منحنیهای تلفات و دقت تحلیل کنید
Analyze the Model Performance Using Loss and Accuracy Curves
تنظیم فراپارامتر شبکه عصبی
Hyperparameter Tuning of Neural Network
ایجاد پیش بینی با استفاده از مدل آموزش دیده
Generating Predictions by Using the Trained Model
تئوری و تکنیک های مدرن پورتفولیو برای مدیریت پورتفولیو
Modern Portfolio Theory and Techniques for Portfolio Management
MPT و شهود داده های سهام
MPT and Stock Data Intuition
تولید تصادفی نمونه کارها و نوسانات پورتفولیو
Random Portfolio Generation and Portfolio Volatility
نسبت شارپ برای نمونه کارها بهینه
Sharpe Ratio for Optimum Portfolio
تخصیص پورتفولیو با استفاده از نسبت شارپ و مرز کارآمد
Portfolio Allocation Using Sharpe Ratio and Efficient Frontier
حداکثر نسبت شارپ با بهینه سازی SciPy
Maximum Sharpe Ratio with SciPy Optimization
ترسیم و تجسم مرز کارآمد
Plotting and Visualizing Efficient Frontier
تخصیص و تجسم نهایی نمونه کارها
Final Portfolio Allocation and Visualization
پیش بینی تقلب در معاملات مالی با استفاده از طبقه بندی ANN
Predicting Fraud in Financial Transactions by Using ANN classification
فعال سازی سافت مکس و سیگموئید در شبکه های عصبی
Softmax and Sigmoid Activation in Neural Networks
تلفات متقاطع آنتروپی برای طبقه بندی
Categorical Cross Entropy Loss for Classification
مهندسی ویژگی و داده های پیش پردازش برای ورودی به مدل
Feature Engineering and Preprocess Data for Input into the Model
ایجاد مدل و بهینه ساز
Creating the Model and the Optimizer
آموزش مدل
Training the Model
رسیدگی به عدم تعادل کلاس
Handling Class Imbalance
ارزیابی مدل نهایی و پیش بینی تقلب با استفاده از مدل
Evaluating the Final Model and Predict Fraud Using the Model
نمایش نظرات
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
آریان سینگ یک دانشمند داده است که تمایل زیادی به حل مشکلات تجاری در حوزه های مختلف با استفاده از یادگیری ماشینی و یادگیری عمیق دارد. او یک خواننده مشتاق است و علاقه زیادی به تحقیقات NLP دارد. او عاشق شرکت و سازماندهی هکاتون است و در تعدادی از آنها برنده شده است. در حال حاضر، او به عنوان دانشمند داده در Publicis Sapient کار می کند.
https://www.linkedin.com/in/aryansingh1/
نمایش نظرات