لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات