The course aims at helping students to be able to solve practical ML-amenable problems that they may encounter in real life that include: (1) understanding where the problem one faces lands on a general landscape of available ML methods, (2) understanding which particular ML approach(es) would be most appropriate for resolving the problem, and (3) ability to successfully implement a solution, and assess its performance.
Этот курс входит в специализацию ''Специализация Machine Learning and Reinforcement Learning in Finance'
Fundamentals of Machine Learning in Finance
от партнера
Специализация Machine Learning and Reinforcement Learning in FinanceШкола инженерии Тандон Нью-Йоркского университета
Об этом курсе
Недавно просмотрено: 18,897
Карьерные результаты учащихся
20%
начал новую карьеру, пройдя эти курсы
18%
получил значимые преимущества в карьере благодаря этому курсу
Карьерные результаты учащихся
20%
начал новую карьеру, пройдя эти курсы
18%
получил значимые преимущества в карьере благодаря этому курсу
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 2 из 4 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень
Прибл. 16 часа на выполнение
Предполагаемая нагрузка: 10 hours/week
Английский
Субтитры: Английский
Программа курса: что вы изучите
5 ч. на завершение
Fundamentals of Supervised Learning in Finance
5 ч. на завершение
9 видео ((всего 71 мин.)), 4 материалов для самостоятельного изучения, 1 тест
9 видео
Introduction to Fundamentals of Machine Learning in Finance4мин
Support Vector Machines, Part 18мин
Support Vector Machines, Part 27мин
SVM. The Kernel Trick8мин
Example: SVM for Prediction of Credit Spreads9мин
Tree Methods. CART Trees9мин
Tree Methods: Random Forests8мин
Tree Methods: Boosting9мин
4 материала для самостоятельного изучения
A. Smola and B. Scholkopf, “A Tutorial on Support Vector Regression”, Statistics and Computing, vol. 14, pp. 199-229, 200415мин
A. Geron, “Hands-On Machine Learning with Scikit-Learn and TensorFlow”, Chapters 6 & 730мин
K. Murphy, “Machine Learning: A Probabilistic Perspective”, MIT Press, 2009, Chapter 16.415мин
Jupyter Notebook FAQ10мин
4 ч. на завершение
Core Concepts of Unsupervised Learning, PCA & Dimensionality Reduction
4 ч. на завершение
6 видео ((всего 54 мин.)), 3 материалов для самостоятельного изучения, 1 тест
6 видео
PCA for Stock Returns, Part 14мин
PCA for Stock Returns, Part 29мин
Dimension Reduction with PCA9мин
Dimension Reduction with tSNE11мин
Dimension Reduction with Autoencoders9мин
3 материала для самостоятельного изучения
C. Bishop, “Pattern Recognition and Machine Learning”, Chapter 12.115мин
A. Geron, “Hands-On ML”, Chapters 8 & 1530мин
Jupyter Notebook FAQ10мин
4 ч. на завершение
Data Visualization & Clustering
4 ч. на завершение
7 видео ((всего 50 мин.)), 3 материалов для самостоятельного изучения, 1 тест
7 видео
UL. K-clustering8мин
UL. K-means Neural Algorithm7мин
UL. Hierarchical Clustering Algorithms10мин
UL. Clustering and Estimation of Equity Correlation Matrix5мин
UL. Minimum Spanning Trees, Kruskal Algorithm6мин
UL. Probabilistic Clustering6мин
3 материала для самостоятельного изучения
C. Bishop, “Pattern Recognition and Machine Learning”, Clustering and EM: Chapter 930мин
G. Bonanno et. al. “Networks of equities in financial markets”, The European Physical Journal B, vol. 38, issue 2, pp. 363-371 (2004)15мин
Jupyter Notebook FAQ10мин
5 ч. на завершение
Sequence Modeling and Reinforcement Learning
5 ч. на завершение
11 видео ((всего 101 мин.)), 3 материалов для самостоятельного изучения, 1 тест
11 видео
Sequence Modeling10мин
SM. Latent Variables for Sequences8мин
SM. State-Space Models9мин
SM. Hidden Markov Models9мин
Neural Architecture for Sequential Data12мин
RL. Introduction8мин
RL. Core Ideas7мин
Markov Decision Process and RL8мин
RL. Bellman Equation6мин
RL and Inverse Reinforcement Learning11мин
3 материала для самостоятельного изучения
C. Bishop, “Pattern Recognition and Machine Learning”, Chapter 1310мин
S. Marsland, “Machine Learning: an Algorithmic Perspective” (Chapman & Hall 2009), Chapter 1315мин
Jupyter Notebook FAQ10мин
Рецензии
3.8
Лучшие отзывы о курсе FUNDAMENTALS OF MACHINE LEARNING IN FINANCE
от партнера JJDec 24, 2018
So far so good. The lecturer refers to projects of which some weren't covered in this course. So a little confusing. Takes lots of googling to finish this course.
от партнера ATAug 9, 2019
Furthered my understanding of how probabilistic models are connected to Machine Learning models. Very happy with the content in this course.
от партнера ATSep 2, 2019
Great course which covers both theories as well as practical skills in the real implementations in the financial world.
от партнера SDSep 18, 2019
This is a great course, I strongly recommend. However, the assignments take a while to finish.
О Школа инженерии Тандон Нью-Йоркского университета
Tandon offers comprehensive courses in engineering, applied science and technology. Each course is rooted in a tradition of invention and entrepreneurship.
Специализация Machine Learning and Reinforcement Learning in Finance: общие сведения
The main goal of this specialization is to provide the knowledge and practical skills necessary to develop a strong foundation on core paradigms and algorithms of machine learning (ML), with a particular focus on applications of ML to various practical problems in Finance.
The specialization aims at helping students to be able to solve practical ML-amenable problems that they may encounter in real life that include:
(1) mapping the problem on a general landscape of available ML methods,
(2) choosing particular ML approach(es) that would be most appropriate for resolving the problem, and
(3) successfully implementing a solution, and assessing its performance.
The specialization is designed for three categories of students:
· Practitioners working at financial institutions such as banks, asset management firms or hedge funds
· Individuals interested in applications of ML for personal day trading
· Current full-time students pursuing a degree in Finance, Statistics, Computer Science, Mathematics, Physics, Engineering or other related disciplines who want to learn about practical applications of ML in Finance.
The modules can also be taken individually to improve relevant skills in a particular area of applications of ML to finance.
Часто задаваемые вопросы
Когда я получу доступ к лекциям и заданиям?
Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.
Что я получу, оформив подписку на специализацию?
Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Какие правила возврата средств?
Можно ли получить финансовую помощь?
Остались вопросы? Посетите Центр поддержки учащихся.