آموزش مبانی یادگیری ماشین در امور مالی - آخرین آپدیت

دانلود Fundamentals of Machine Learning in Finance

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: هدف این دوره کمک به دانشجویان برای حل مسائل عملی و قابل حل با یادگیری ماشین (ML) است که ممکن است در زندگی واقعی با آن‌ها مواجه شوند، از جمله: (۱) درک اینکه مسئله مورد نظر در کدام بخش از فضای کلی روش‌های یادگیری ماشین قرار می‌گیرد، (۲) تشخیص اینکه کدام رویکرد یا رویکردهای خاص یادگیری ماشین برای حل مسئله مناسب‌تر است و (۳) توانایی پیاده‌سازی موفقیت‌آمیز راهکار و ارزیابی عملکرد آن. یک یادگیرنده با دانش قبلی کم یا بدون هیچ پیش‌زمینه‌ای در یادگیری ماشین، با الگوریتم‌های اصلی یادگیری نظارت‌شده (Supervised)، نظارت‌نشده (Unsupervised) و یادگیری تقویتی (Reinforcement Learning) آشنا شده و قادر خواهد بود از بسته‌های متن‌باز پایتون برای طراحی، تست و پیاده‌سازی الگوریتم‌های ML در حوزه مالی استفاده کند. دوره مبانی یادگیری ماشین در امور مالی، دیدگاهی عمیق‌تر از یادگیری نظارت‌شده، نظارت‌نشده و تقویتی ارائه می‌دهد و در نهایت با یک پروژه در مورد استفاده از یادگیری نظارت‌نشده برای پیاده‌سازی یک استراتژی ساده معاملات سبد سهام (پورتفولیو) به پایان می‌رسد. این دوره برای سه دسته از مخاطبان طراحی شده است: ۱. متخصصانی که در مؤسسات مالی مانند بانک‌ها، شرکت‌های مدیریت دارایی یا صندوق‌های پوشش ریسک (Hedge Funds) فعالیت می‌کنند. ۲. افرادی که به کاربردهای یادگیری ماشین برای معاملات روزانه شخصی علاقه‌مند هستند. ۳. دانشجویان تمام‌وقت رشته‌های مالی، آمار، علوم کامپیوتر، ریاضیات، فیزیک، مهندسی یا سایر رشته‌های مرتبط که می‌خواهند کاربردهای عملی ML در امور مالی را بیاموزند. برای تکمیل تکالیف این دوره، تسلط بر پایتون (شامل numpy، pandas و IPython/Jupyter notebooks)، جبر خطی، تئوری احتمالات پایه و حساب دیفرانسیل و انتگرال مقدماتی ضروری است.

سرفصل ها و درس ها

مبانی یادگیری نظارت‌شده در امور مالی Fundamentals of Supervised Learning in Finance

  • یادگیری ماشین در امور مالی چیست؟ What is Machine Learning in Finance?

  • مقدمه‌ای بر مبانی یادگیری ماشین در امور مالی Introduction to Fundamentals of Machine Learning in Finance

  • ماشین‌های بردار پشتیبان (SVM)، بخش اول Support Vector Machines, Part 1

  • ماشین‌های بردار پشتیبان (SVM)، بخش دوم Support Vector Machines, Part 2

  • ماشین‌های بردار پشتیبان و ترفند کرنل (Kernel Trick) SVM. The Kernel Trick

  • مثال: استفاده از SVM برای پیش‌بینی اسپرد اعتباری Example: SVM for Prediction of Credit Spreads

  • روش‌های درختی: درخت‌های CART Tree Methods. CART Trees

  • روش‌های درختی: جنگل‌های تصادفی (Random Forests) Tree Methods: Random Forests

  • روش‌های درختی: بوستینگ (Boosting) Tree Methods: Boosting

مفاهیم کلیدی یادگیری نظارت‌نشده، PCA و کاهش ابعاد Core Concepts of Unsupervised Learning, PCA & Dimensionality Reduction

  • مفاهیم کلیدی یادگیری نظارت‌نشده (UL) Core Concepts of UL

  • تحلیل PCA برای بازده سهام، بخش اول PCA for Stock Returns, Part 1

  • تحلیل PCA برای بازده سهام، بخش دوم PCA for Stock Returns, Part 2

  • کاهش ابعاد با استفاده از PCA Dimension Reduction with PCA

  • کاهش ابعاد با استفاده از tSNE Dimension Reduction with tSNE

  • کاهش ابعاد با استفاده از اتوانکودرها (Autoencoders) Dimension Reduction with Autoencoders

تجسم داده‌ها و خوشه‌بندی Data Visualization & Clustering

  • یادگیری نظارت‌نشده: الگوریتم‌های خوشه‌بندی UL. Clustering Algorithms

  • یادگیری نظارت‌نشده: خوشه‌بندی K UL. K-clustering

  • یادگیری نظارت‌نشده: الگوریتم عصبی K-means UL. K-means Neural Algorithm

  • یادگیری نظارت‌نشده: الگوریتم‌های خوشه‌بندی سلسله‌مراتبی UL. Hierarchical Clustering Algorithms

  • یادگیری نظارت‌نشده: خوشه‌بندی و تخمین ماتریس همبستگی سهام UL. Clustering and Estimation of Equity Correlation Matrix

  • یادگیری نظارت‌نشده: درخت‌های پوشای کمینه و الگوریتم کروسکال UL. Minimum Spanning Trees, Kruskal Algorithm

  • یادگیری نظارت‌نشده: خوشه‌بندی احتمالی UL. Probabilistic Clustering

مدلسازی توالی و یادگیری تقویتی Sequence Modeling and Reinforcement Learning

  • مدل‌های توالی: متغیرهای پنهان SM. Latent Variables

  • مدلسازی توالی (Sequence Modeling) Sequence Modeling

  • مدل‌های توالی: متغیرهای پنهان برای توالی‌ها SM. Latent Variables for Sequences

  • مدل‌های توالی: مدل‌های فضای حالت SM. State-Space Models

  • مدل‌های توالی: مدل‌های مارکوف پنهان (HMM) SM. Hidden Markov Models

  • معماری عصبی برای داده‌های توالی Neural Architecture for Sequential Data

  • یادگیری تقویتی (RL): مقدمه RL. Introduction

  • یادگیری تقویتی: ایده‌های اصلی RL. Core Ideas

  • فرآیند تصمیم‌گیری مارکوف و یادگیری تقویتی Markov Decision Process and RL

  • یادگیری تقویتی: معادله بلمن RL. Bellman Equation

  • یادگیری تقویتی و یادگیری تقویتی معکوس RL and Inverse Reinforcement Learning

نمایش نظرات

آموزش مبانی یادگیری ماشین در امور مالی
جزییات دوره
18h 9m
33
(آخرین آپدیت)
23,225
4 از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده