Course Outline

Εισαγωγή

    Διαφορά μεταξύ στατιστικής μάθησης (στατιστική ανάλυση) και μηχανικής μάθησης Υιοθέτηση τεχνολογίας μηχανικής μάθησης και ταλέντου από εταιρείες χρηματοδότησης

Κατανόηση των διαφορετικών τύπων Machine Learning

    Εποπτευόμενη μάθηση έναντι μη εποπτευόμενης μάθησης Επανάληψη και αξιολόγηση Ανταλλαγή μεροληψίας-διακύμανσης Συνδυασμός εποπτευόμενης και μη εποπτευόμενης μάθησης (ημι-εποπτευόμενη μάθηση)

Κατανόηση Machine Learning Γλώσσες και σύνολα εργαλείων

    Ανοιχτού κώδικα έναντι ιδιόκτητων συστημάτων και λογισμικού Python vs R εναντίον Matlab Βιβλιοθήκες και πλαίσια

Κατανόηση Neural Networks

Κατανόηση Βασικών Εννοιών στο Finance

    Κατανόηση της διαπραγμάτευσης μετοχών Κατανόηση δεδομένων χρονοσειρών Κατανόηση οικονομικών αναλύσεων

Machine Learning Case Studies in Finance

    Δημιουργία σήματος και δοκιμές Χαρακτηριστικό Μηχανικής Τεχνητής Νοημοσύνης Αλγόριθμος Συναλλαγών Ποσοτικές Προβλέψεις Συναλλαγών Robo-Advisors for Portfolio Management Risk Management και Ανίχνευση απάτης Ασφαλιστική Αναδοχή

Εισαγωγή στο R

    Εγκατάσταση του RStudio IDE Φόρτωση πακέτων R Δομές δεδομένων Διανύσματα Παράγοντες Λίστες Πλαίσια δεδομένων Πίνακες και πίνακες

Εισαγωγή οικονομικών δεδομένων στο R

    Βάσεις δεδομένων, αποθήκες δεδομένων και ροή δεδομένων κατανεμημένη αποθήκευση και επεξεργασία με Hadoop και Spark Εισαγωγή δεδομένων από βάση δεδομένων Εισαγωγή δεδομένων από Excel και CSV

Εφαρμογή ανάλυσης παλινδρόμησης με το R

    Γενικεύσεις Γραμμικής Παλινδρόμησης και Μη γραμμικότητα

Αξιολόγηση της απόδοσης Machine Learning αλγορίθμων

    Άσκηση Cross-Validation and Resampling Bootstrap Aggregation (Bagging).

Ανάπτυξη μιας Αλγοριθμικής Στρατηγικής Συναλλαγών με τον R

    Ρύθμιση του εργασιακού σας περιβάλλοντος Συλλογή και εξέταση δεδομένων αποθεμάτων Εφαρμογή στρατηγικής που ακολουθεί την τάση

Δοκιμή εκ των υστέρων της Machine Learning στρατηγικής συναλλαγών σας

    Εκμάθηση Παγίδων Backtesting Στοιχεία του Backtester σας Εφαρμογή του Simple Backtester σας

Βελτίωση της Machine Learning στρατηγικής συναλλαγών σας

    KMeans k-Κοντινότεροι γείτονες (KNN) ταξινόμηση ή παλινδρόμηση δένδρων γενετικός αλγόριθμος που εργάζεται με χαρτοφυλάκια πολλαπλών συμβόλων με χρήση πλαισίου Risk Management με χρήση εκ των υστέρων δοκιμών βάσει συμβάντων

Αξιολόγηση της απόδοσης της στρατηγικής συναλλαγών σας Machine Learning

    Χρήση του λόγου Sharpe Υπολογισμός μέγιστης ανάληψης με χρήση σύνθετου ετήσιου ρυθμού ανάπτυξης (CAGR) Μέτρηση της κατανομής των αποδόσεων με χρήση μετρήσεων σε επίπεδο εμπορίου

Επέκταση των Δυνατοτήτων της Εταιρείας σας

    Ανάπτυξη μοντέλων στο Cloud με χρήση GPU για την επιτάχυνση της βαθιάς μάθησης Εφαρμογή του Deep Learning Neural Networks για την όραση υπολογιστή, την αναγνώριση φωνής και την ανάλυση κειμένου

Περίληψη και Συμπέρασμα

Requirements

  • Programming εμπειρία με οποιαδήποτε γλώσσα
  • Βασική εξοικείωση με τη στατιστική και τη γραμμική άλγεβρα
  28 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Related Courses

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Related Categories