Kariyerinize Güç Verin: Finansta Makine Öğrenimi. Finansal piyasaları tahmin etmek için gereken algoritmalar ve araçlardaki becerilerinizi geliştirin.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
Bu uzmanlığın temel amacı, Makine Öğreniminin (ML) temel paradigmaları ve algoritmaları ile ilgili güçlü bir temel geliştirmek için gerekli bilgi ve pratik becerileri sağlamak ve makine öğreniminin finans alanındaki çeşitli pratik problemlere uygulanmasına özel bir vurgu yapmaktır. . Staj, öğrencilerin günlük yaşamda ortaya çıkabilecek makine öğrenimine uygun pratik sorunları çözebilmelerine yardımcı olmayı amaçlamaktadır:
Modüller ayrıca finans için makine öğrenimi uygulamalarının belirli bir alanındaki ilgili becerileri geliştirmek için ayrı ayrı da alınabilir.
Staj, finans alanındaki (hisse senedi alım satımı, varlık yönetimi ve bankacılık uygulamaları gibi) çeşitli sorunları ele alan tüm örnekler, ödevler ve ders projeleri ile makine öğrenimine odaklanır ve konu seçimi ML’ye vurgu yapılarak yapılır. Finans profesyonellerinin kullandığı yöntemler. Staj, öğrencileri finans alanındaki karmaşık makine öğrenimi projeleri üzerinde çalışmaya hazırlamak için tasarlanmıştır; bu projeler, genellikle hem tüm makine öğrenimi alanı hakkında geniş bir anlayış hem de belirli bir makine öğrenimi alanında mevcut olan çeşitli metodolojilerin (örneğin, denetimsiz öğrenme) anlaşılmasını gerektirir. çalışmalarında karşılaşılabilecek pratik sorunları çözmek.
Bu dersin amacı, finans uygulamalarına odaklanarak makine öğrenimi (ML) alanına giriş niteliğinde ve geniş bir genel bakış sağlamaktır. Son derste banka kapanışlarını tahmin etmek için denetimli makine öğrenimi yöntemleri kullanılıyor. Bu ders ayrı olarak alınabilse de “Finansta Makine Öğrenimi ve Güçlendirme Öğrenimi” eğitiminde sonraki modüllerde detaylı olarak ele alınacak konulara giriş niteliğindedir.
Finansta makine öğrenimi rehberli turunun amacı, makine öğreniminin ne olduğunu, ne için kullanıldığını ve kaç farklı finansal soruna uygulanabileceğini anlamaktır.
Bu kurstaki ödevleri tamamlamak için Python (numpy, pandas ve IPython/Jupyter not defterleri dahil), doğrusal cebir, temel olasılık teorisi ve temel matematik konularında deneyim gereklidir.
Bu ders, öğrencilerin gerçek hayatta ortaya çıkabilecek makine öğrenimine uygun pratik problemleri çözmelerine yardımcı olmak için tasarlanmıştır; bunlar şunları içerir: (1) eldeki problemin mevcut makine öğrenimi yöntemlerinin genel haritasında nerede bulunduğunu anlamak, (2) hangi spesifik ML yaklaşımları, sorunu çözmeye ve (3) bir çözümü başarılı bir şekilde uygulama ve performansını değerlendirme becerisine en uygun yaklaşım olacaktır. Makine öğrenimi (ML) hakkında çok az ön bilgisi olan veya hiç bilgisi olmayan bir öğrenci, denetimli öğrenme, denetimsiz öğrenme ve takviyeli öğrenmenin ana algoritmalarıyla tanışacak ve ML’yi tasarlamak, test etmek ve uygulamak için açık kaynaklı Python paketlerini kullanabilecektir. Finansta algoritmalar.
Finansta Makine Öğreniminin Temelleri, denetimli öğrenmeye, denetimsiz öğrenmeye ve takviyeli öğrenmeye daha derinlemesine bir bakış sağlayacak ve denetimsiz öğrenmenin basit bir ticaret stratejisini uygulamak için kullanıldığı bir projeyle sonuçlanacak.
Bu kurstaki ödevleri tamamlamak için Python (numpy, pandas ve IPython/Jupyter not defterleri dahil), doğrusal cebir, temel olasılık teorisi ve temel matematik konularında deneyim gereklidir.
Bu ders, takviyeli öğrenmenin (RL) temel ilkelerini tanıtmayı ve RL’yi opsiyon değerleme, ticaret ve varlık yönetimine uygulamak için pratik örnekler geliştirmeyi amaçlamaktadır. Dersin sonunda öğrenciler şunları yapabilecektir:
Önkoşullar, “Finansta Rehberli Makine Öğrenimi Turu” ve “Finansta Makine Öğreniminin Temelleri” dersleridir. Öğrencilerin log-normal süreci ve bunun nasıl sembolize edilebileceğini bilmeleri beklenmektedir. Opsiyon değerleme bilgisi zorunlu değildir ancak arzu edilir.
Finansta güçlendirmeyi öğrenmede ileri yöntemlere genel bir bakış olan eğitimimizin son dersinde, üçüncü kursumuz olan finansta güçlendirmeyi öğrenmede tartıştığımız konuları derinleştirmeye çalışacağız. Özellikle takviyeli öğrenme, opsiyon değerlemesi ve fizik arasındaki bağlantılar, ters takviyeli öğrenmenin piyasa etki modeli ve fiyat dinamikleri üzerindeki etkileri ve takviyeli öğrenmede algı-eylem döngüleri hakkında konuşacağız. Son olarak, yüksek hacimli ticaret, kripto para birimleri, eşler arası borç verme ve daha pek çok alanda takviyeli öğrenmenin potansiyel uygulamalarını inceleyeceğiz.
Bu dersi aldıktan sonra öğrenciler şunları yapabilecektir:
