促进您的职业生涯：金融领域的机器学习。扩展您在预测金融市场所需的算法和工具方面的技能。
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
该专业的主要目标是提供所需的知识和实践技能，以建立有关机器学习 （ML） 关键范式和算法的坚实基础，特别强调 ML 在金融领域各种实际问题中的应用。该专业旨在帮助学生能够解决日常生活中可能出现的适合机器学习的实际问题，其中包括：
这些模块也可以单独学习，以提高金融 ML 应用程序特定领域的相关技能。
专业侧重于机器学习，所有示例、家庭作业和课程项目都涉及金融领域的各种问题（例如股票交易、资产管理和银行应用），主题的选择侧重于金融领域专业人士使用的 ML 方法。该专业化旨在让学生为从事金融领域的复杂机器学习项目做好准备，这些项目通常需要对整个 ML 领域有广泛的了解，以及了解 ML 特定领域（例如，无监督学习）中可用的不同方法，以解决他们在工作中可能遇到的实际问题。
本课程的目标是提供机器学习 （ML） 领域的初步和广泛概述，重点是金融应用。在最后一课中，使用监督式机器学习方法来预测银行关闭。虽然本课程可以单独学习，但它可以作为对“金融机器学习和强化学习”培训中以下模块中广泛涵盖的主题的介绍。
金融机器学习导览的目标是了解机器学习是什么、它的用途以及可以应用于多少种不同的金融问题。
要完成本课程中的作业，需要具备 Python（包括 numpy、pandas 和 IPython/Jupyter 笔记本）、线性代数、基本概率论和基本计算的经验。
本课程旨在帮助学生解决现实生活中可能出现的适合机器学习的实际问题，其中包括：（1） 了解它们的问题在可用 ML 方法的一般地图上的位置，（2） 了解哪些特定的 ML 方法最适合解决问题，以及 （3） 能够成功实施解决方案，并评估其性能。对机器学习 （ML） 知之甚少或没有先验知识的学生将接触到监督学习、无监督学习和强化学习的主要算法，并将能够使用开源 Python 包在金融领域设计、测试和实施 ML 算法。
金融机器学习基础知识将更深入地介绍监督学习、无监督学习和强化学习，并将以一个使用无监督学习来实施简单交易策略的项目结束。
要完成本课程中的作业，需要具备 Python（包括 numpy、pandas 和 IPython/Jupyter 笔记本）、线性代数、基本概率论和基本计算的经验。
本课程旨在介绍强化学习 （RL） 的基本原理，并开发将强化学习应用于期权估值、交易和资产管理的应用案例。 在课程结束时，学生将能够：
先决条件是“金融机器学习指导教程”和“金融机器学习基础知识”课程。预计学生将了解对数正态过程以及如何对其进行符号化。了解期权估值不是强制性的，但最好是可取的。
在我们培训的最后一门课程中，概述了金融学习强化的高级方法，我们将深入探讨第三门课程《金融学习强化》中讨论的主题。特别是，我们将讨论强化学习、期权评估和物理学之间的关系，强化学习对市场影响模型和价格动态的影响，以及强化学习中的感知-行动周期。最后，我们将概述强化学习在大批量交易、加密货币、人际贷款等方面的潜在应用。
完成本课程后，学生将能够：
