آموزش استفاده از یادگیری ماشینی در امور مالی

با مشاهده این کورس آموزشی قدم به قدم یاد می گیرید که چطور از یادگیری ماشینی در امور مالی استفاده کنید. 

عنوان اصلی : Machine Learning for Finance

سرفصل ها :

درک داده های مالی، EDA و مهندسی ویژگی:
بررسی اجمالی دوره
تجسم، EDA، و مهندسی ویژگی داده های مالی
ویژگی های داده های سهام
تجزیه و تحلیل تک متغیره و دو متغیره داده ها
استخراج میانگین متحرک و ویژگی های مبتنی بر RSI
پاکسازی داده ها و تشخیص بیرونی
ایجاد ویژگی ها و متغیر مستقل
داده ها را برای مدل سازی آماده کنید
پیش بینی ارزهای فارکس با ساخت یک مدل خطی:
شهود رگرسیون خطی
درک اطلاعات بازار فارکس
پیش پردازش داده های ارز فارکس برای ورودی مدل
ساخت مدل رگرسیون خطی
R-Squared و Adjusted R-Squared به عنوان یک متریک عملکرد
اهمیت آزمایش ویژگی ها با استفاده از p-value و VIF
تنظیم فراپارامتر و انتخاب مدل نهایی
تکنیک های یادگیری ماشینی مبتنی بر درخت برای پیش بینی سهام:
شهود درختان تصمیم
معیار آنتروپی و کسب اطلاعات برای ساخت درخت
ساخت یک مدل مبتنی بر درخت تصمیم برای پیش‌بینی قیمت سهام
آموزش با استفاده از حداکثر عمق مختلف
شهود تصادفی جنگل
یک رگرسیون تصادفی جنگل برای پیش بینی قیمت سهام بسازید
تقویت و مدل رگرسیون مبتنی بر XGBoost برای پیش بینی سهام
مبانی و شهود شبکه های عصبی مصنوعی:
شبکه عصبی چیست
فید فوروارد در شبکه های عصبی
نزول گرادیان در شبکه های عصبی
انتشار برگشتی در شبکه های عصبی
تابع از دست دادن در شبکه های عصبی
فراپارامترها در شبکه های عصبی
پیش‌بینی قیمت سهام با استفاده از شبکه‌های عصبی مصنوعی:
داده ها را برای ورود به شبکه عصبی آماده کنید
لایه ها و مدل شبکه عصبی را تعریف کنید
مدل Keras را با استفاده از Pydot تجسم کنید
مدل را با استفاده از پارامترهای اساسی آموزش دهید
عملکرد مدل را با استفاده از منحنی‌های تلفات و دقت تحلیل کنید
تنظیم فراپارامتر شبکه عصبی
ایجاد پیش بینی با استفاده از مدل آموزش دیده
تئوری و تکنیک های مدرن پورتفولیو برای مدیریت پورتفولیو:
MPT و شهود داده های سهام
تولید تصادفی نمونه کارها و نوسانات پورتفولیو
نسبت شارپ برای نمونه کارها بهینه
تخصیص پورتفولیو با استفاده از نسبت شارپ و مرز کارآمد
حداکثر نسبت شارپ با بهینه سازی SciPy
ترسیم و تجسم مرز کارآمد
تخصیص و تجسم نهایی نمونه کارها
پیش بینی تقلب در معاملات مالی با استفاده از طبقه بندی ANN:
فعال سازی سافت مکس و سیگموئید در شبکه های عصبی
تلفات متقاطع آنتروپی برای طبقه بندی
مهندسی ویژگی و داده های پیش پردازش برای ورودی در مدل
ایجاد مدل و بهینه ساز
آموزش مدل
رسیدگی به عدم تعادل کلاس
ارزیابی مدل نهایی و پیش بینی تقلب با استفاده از مدل