یادگیری ماشینی برای خدمات مالی

این دوره، جنبه های مفهومی استفاده از یادگیری ماشین را به مشکلات در صنعت خدمات مالی بررسی می کند و بحث در مورد مطالعات موردی یادگیری ماشین مورد استفاده در خدمات مالی را مورد بررسی قرار می دهد.
آنچه که شما یاد می گیرید
مدل های تحلیلی و آماری در حال حاضر یک بخشی جدایی ناپذیر از صنعت مالی و استفاده از یادگیری ماشین بر پایه ی قوی در این صنعت ایجاد می شود. صنعت خدمات مالی به طور منحصر به فرد برای استفاده از دستگاه یادگیری به دلیل مقادیر گسترده ای از داده های با کیفیت بالا در حال حاضر در دسترس است.
در این دوره، یادگیری ماشین برای خدمات مالی، شما تکنیک های یادگیری ماشین را در حال حاضر در خدمات مالی مورد استفاده قرار می دهید صنعت. اول، شما به برخی از نمونه ها و مواردی که ML در حال حاضر در خدمات مالی مورد استفاده قرار می گیرد - برای پیش بینی های سرمایه گذاری، اتوماسیون وام، اتوماسیون فرآیند و تشخیص تقلب مورد استفاده قرار می گیرد. سپس، شما درک بصری از چگونگی شبکه های عصبی مکرر
بعدی، شما دو مطالعه موردی ML از مقالات تحقیقاتی را بررسی می کنید - اولین تمرکز بر ارزیابی و اندازه گیری بازده سرمایه گذاری و دوم بررسی چگونگی طبقه بندی و مدل های خوشه بندی می تواند به شناسایی پولشویی کمک کند.
در نهایت، کدگذاری را دریافت خواهید کرد و ببینید که چگونه می توانید از یک مدل طبقه بندی برای تشخیص تقلب در یک مجموعه داده تولید شده تولید شده استفاده کنید.
هنگامی که شما با این دوره به پایان رسید، شما آگاهی از چگونگی یادگیری ماشین را می توان در صنعت خدمات مالی و تجربه دستکاری با داده های مالی استفاده کرد.

عنوان اصلی : Machine Learning for Financial Services

سرفصل های دوره :

مرور دوره
پیش نیازها و طرح درس
داده ها و تجزیه و تحلیل روند در امور مالی
استفاده از موارد ML در امور مالی: پیش بینی های سرمایه گذاری
استفاده از موارد ML در امور مالی: اتوماسیون وام
استفاده از موارد ML در امور مالی: اتوماسیون فرآیند
استفاده از موارد ML در امور مالی: مشاوران Robo
استفاده از موارد ML در امور مالی: تشخیص تقلب
شبکه های عصبی مکرر برای اطلاعات مالی
چالش های ML در امور مالی
مدیریت خطر نمونه کارها
مدل سازی بازده و ریسک
پیش بینی همبستگی سهام: پس زمینه و زمینه
پیش بینی همبستگی سهام: مدل ترکیبی پیشنهاد شده
ضریب همبستگی سهام: روش شناسی و نتایج
تشخیص تقلب: پس زمینه و زمینه
تشخیص تقلب: ویژگی های تراکنش و ویژگی های مشتری
تشخیص تقلب: برچسب زدن Snorkel
تشخیص تقلب: روش شناسی و نتایج
موارد استفاده از طبقه بندی
دقت، دقت و یادآوری
نسخه ی نمایشی: تشخیص تقلب - اکتشاف داده ها و آماده سازی بخش من
نسخه ی نمایشی: تشخیص تقلب - اکتشاف داده ها و آماده سازی بخش دوم
نسخه ی نمایشی: تشخیص تقلب - مدل های طبقه بندی
نسخه ی نمایشی: تشخیص تقلب - منحنی های ROC و AUC
خلاصه، منابع مورد استفاده و مطالعه بیشتر