Read the Official Description

Η δημοτικότητα των τεχνικών επιστήμης των δεδομένων, όπως η εξόρυξη δεδομένων και η μηχανική μάθηση, αυξήθηκε τεράστια τα τελευταία χρόνια. Παρουσιάζουν αποτελεσματικές λύσεις για τη διεκπεραίωση και την ανάλυση του τεράστιου όγκου των δεδομένων που διατίθενται στους διαχειριστές κινδύνου και στους οικονομικούς αναλυτές.

Με την πρόοδο της υπολογιστικής ισχύος και της κατανεμημένης επεξεργασίας, είναι πλέον δυνατή η επεξεργασία - και η κατανόηση - της τεράστιας σειράς πληροφοριών που μπορούν να συγκεντρωθούν από διάφορες πηγές δεδομένων.

Αυτό το πρακτικό πρόγραμμα καλύπτει βασικές τεχνικές - συμπεριλαμβανομένων αρκετών πτυχών της εποπτευόμενης και ανεξέλεγκτης μηχανικής μάθησης - που μπορούν να χρησιμοποιηθούν κατά την εξόρυξη οικονομικών δεδομένων. Το πρόγραμμα επικεντρώνεται επίσης στις προηγμένες τεχνικές επιστήμης δεδομένων που χρησιμοποιούνται ευρέως στις χρηματοπιστωτικές αγορές για την ανάλυση κειμένου και την τεχνητή νοημοσύνη (AI): Επεξεργασία Φυσικής Γλώσσας (NLP) και Deep Learning (DL).

Το πρόγραμμα παρέχεται αποκλειστικά μέσω εργαστηρίων και μελετών περιπτώσεων. Οι συμμετέχοντες θα μάθουν πώς να εφαρμόσουν τις τεχνικές φυσικής επεξεργασίας γλώσσας δημιουργώντας ένα μοντέλο ανάλυσης συναίσθημα για την ανάλυση του κειμένου. Στο τμήμα βαθιάς εκμάθησης, οι συμμετέχοντες θα επικεντρωθούν στα διαφορετικά νευρωνικά δίκτυα που μπορούν να τεθούν σε λειτουργία για ταξινόμηση δεδομένων, πρόβλεψη χρονοσειρών και αναγνώριση προτύπων.

Όλες οι ασκήσεις και οι περιπτωσιολογικές μελέτες παρουσιάζονται στην Python, επιτρέποντάς σας να μάθετε πώς να εργαστείτε με αυτή την ευέλικτη γλώσσα προγραμματισμού ανοιχτού κώδικα.

Ημερομηνία: 10 - 12 Απριλίου 2019

Τόπος: Κεντρικό Λονδίνο

Χρέωση: 1330 € ανά ημέρα

Μπορεί να δικαιούστε προτιμησιακές χρεώσεις. Επικοινωνήστε μαζί μας για να ελέγξετε αν η εταιρεία σας είναι μέλος του προγράμματος Global Client για το LFS.


Ποιος είναι το μάθημα για

  • Διαχειριστές χαρτοφυλακίων
  • Διαχειριστές κινδύνων
  • Επαγγελματίες που θέλουν να εισαγάγουν έννοιες εξόρυξης δεδομένων στις καθημερινές τους εργασίες
  • Προγραμματιστές πληροφορικής
  • Στατιστές
  • Quant αναλυτές
  • Χρηματοοικονομικοί μηχανικοί
  • Σύμβουλοι


Στόχοι μάθησης

  • Δημιουργήστε μια σταθερή βάση γνώσεων σχετικά με τις τεχνικές και τα εργαλεία εξόρυξης δεδομένων, καθώς και την εφαρμογή τους στον χρηματοπιστωτικό κλάδο
  • Αποκτήστε πρακτική εμπειρία με την Επεξεργασία Φυσικής Γλώσσας και τη Βαθιά Μάθηση στα Χρηματοοικονομικά
  • Μάθετε πώς μπορείτε να εφαρμόσετε Python στην εξόρυξη και επεξεργασία δεδομένων και να λύσετε προβλήματα NLP και DL σε πραγματικό κόσμο
  • Αποκτήστε μια κατανόηση των αλγορίθμων τεχνητών νευρωνικών δικτύων (ANN) και πώς να τα χρησιμοποιήσετε για να σχεδιάσετε, να δημιουργήσετε και να αναπτύξετε μοντέλα DL


Πρότερη γνώση

  • Βασικές έννοιες των στατιστικών
  • Καλή γνώση της εργασίας του Excel
  • Δεν απαιτείται προηγούμενη γνώση της Python


Περίγραμμα μαθήματος

Πρώτη μέρα

Επισκόπηση της Εξόρυξης Δεδομένων

Διαμόρφωση των διαφόρων στοιχείων της εξόρυξης δεδομένων

  • Κανόνες σύνδεσης
  • Προβλήματα ταξινόμησης έναντι παλινδρόμησης
  • Ανάλυση συμπλέγματος

Οπτικοποίηση δεδομένων

  • Επισκόπηση λύσεων τρίτων κατασκευαστών (Tableau, QlikeTech κ.λπ.) για την απεικόνιση μεγάλων συνόλων δεδομένων. Οι περιπτωσιολογικές μελέτες θα εκπονηθούν χρησιμοποιώντας τη βιβλιοθήκη matplotlib και την plotly (ανοικτή πηγή ηλεκτρονικής πλατφόρμας συνεργασίας δεδομένων)
  • Γραφικές βάσεις δεδομένων: εφαρμογή θεωρίας δικτύου σε ανάλυση χαρτοφυλακίων και εισαγωγή σε γραφικές βάσεις δεδομένων
  • Έλεγχος εξωστρέφειας
  • Απόσταση Mahalanobis

Οπισθοδρόμηση

  • OLS (κανονικά ελάχιστα τετράγωνα)
  • Κατακόρυφη κάμψη
  • Σπανιότητα
  • Λάσο
  • Ελαστικό δίχτυ

Εργαστήριο: Εκπόνηση της βέλτιστης αντιστάθμισης ενός μεγάλου χαρτοφυλακίου μετοχών πραγματικού κόσμου με τη χρήση συμβολαίων μελλοντικής εκπλήρωσης. Το χαρτοφυλάκιο έχει παγκόσμιο χαρακτήρα (100 μετοχές), αλλά μόνο ένα περιορισμένο σύνολο συμβολαίων μελλοντικής εκπλήρωσης είναι διαθέσιμο

Κύρια ανάλυση στοιχείων (PCA)

  • Ανάλυση βασικών συνιστωσών της διάρθρωσης των επιτοκίων και των τεκμαρτών μεταβλητών
  • Η βασική συνιστώσα παλινδρόμησης (PCR)
  • Μερικά ελάχιστα τετράγωνα (PLS)

Εργαστήριο: Χρήση του PCA για τη μείωση της διαστάσεων ενός μεγάλου συνόλου δεδομένων ιστορικών καμπυλών επιτοκίων. Η σύνθετη συμπεριφορά αυτής της καμπύλης κατανέμεται σε διαφορετικές χρονικές διάρκειες και αυτή η τεχνική επιτρέπει σε έναν διαχειριστή κινδύνων να έχει μια πολύ καλύτερη εικόνα της δυναμικής των καμπυλών επιτοκίων

Ταξινόμηση δεδομένων - παλινδρόμηση

Εκτίμηση και ταξινόμηση πυκνότητας πυρήνα

  • Η εκτίμηση της πυκνότητας του πυρήνα είναι μια διαδικασία μάθησης χωρίς επίβλεψη, η οποία οδηγεί σε μια απλή οικογένεια διαδικασιών για την μη παραμετρική ταξινόμηση

Μελέτη περίπτωσης: Χρησιμοποιώντας πυρήνες για τη λήψη κατανομών πιθανοτήτων για οικονομικά δεδομένα

Ταξινόμηση - Μέρος Ι

  • Naive Bayes ταξινόμηση: Μια απλή και ισχυρή τεχνική για την ταξινόμηση των δεδομένων

Μελέτη περίπτωσης: Εκπόνηση ενός προτύπου Bayes για ένα μεγάλο σύνολο δεδομένων που περιέχει διαφορετικές ιδιότητες των αμερικανικών τραπεζών. Ο ταξινομητής Bayes θα χρησιμοποιηθεί για να διαχωρίσει τις τράπεζες που πιθανόν να αποτύχουν από εκείνες που πρόκειται να παραμείνουν διαλυτές

Ταξινόμηση - Μέρος II

  • Υψηλές τεχνικές εξόρυξης δεδομένων
  • Λογιστική παλινδρόμηση

Μελέτη περίπτωσης: Εφαρμογή της παλινδρόμησης καταγραφής σε πραγματικό σύνολο δεδομένων με υψηλή διαστασιολόγηση

Ημέρα δεύτερη

Ταξινόμηση δεδομένων (συνέχεια)

Ταξινόμηση - Μέρος ΙΙΙ

  • Ταξινόμηση των δέντρων: Το CART-modeling οδηγεί σε εύχρηστα πρακτικά δέντρα αποφάσεων
  • Η έννοια των δέντρων αποφάσεων θα επεκταθεί με τεχνικές όπως Random Forest και Bagging

Μελέτη περίπτωσης: Οι έννοιες όπως οι λειτουργίες κόστους, τα επίπεδα πρόσμειξης, η κλαδέματος δέντρων και η διασταυρούμενη επικύρωση θα εξεταστούν λεπτομερώς

  • K-Πλησιέστερη μάθηση γειτόνων
  • Λογιστική παλινδρόμηση

Μελέτη περίπτωσης: Οι μέθοδοι ταξινόμησης (K-Nearest και CART) πρόκειται να τεθούν σε λειτουργία σε διάφορους τεχνικούς δείκτες (RSI, MACD κλπ.) Μεγάλων συνόλων πραγματικών οικονομικών στοιχείων. Αυτό θα απεικονίσει τον τρόπο με τον οποίο αυτοί οι ταξινομητές μπορούν να χρησιμοποιηθούν για αποθέματα κατατμήσεων σε διάφορους κάδους σύμφωνα με την ισχύ διαφορετικών χαρακτηριστικών με γρήγορο τρόπο

Εργαστήριο: Εργαλεία εξόρυξης δεδομένων

Μια εισαγωγή στην Python - Μια ισχυρή γλώσσα προγραμματισμού

Η δυνατότητα εφαρμογής της Python στον τομέα της ανάλυσης δεδομένων θα παρουσιαστεί μέσω πρακτικών παραδειγμάτων με έμφαση στη μηχανική μάθηση χρησιμοποιώντας το πακέτο "scikit-learn". Όλα τα παραδείγματα θα καλύπτονται σε σημειωματάρια Jupyter. Οι εκπρόσωποι θα μάθουν πώς να δημιουργήσουν προσαρμοσμένες αναφορές στην Python

Ημέρα Τρίτη

Επεξεργασία φυσικής γλώσσας

Η εξαγωγή πραγματικής αξίας από δημοσιεύσεις, εικόνες, ηλεκτρονικό ταχυδρομείο, PDF και άλλες πηγές μη δομημένων δεδομένων κοινωνικής δικτύωσης είναι μια μεγάλη πρόκληση για τις επιχειρήσεις.

Αυτή η ενότητα είναι αφιερωμένη στην εφαρμογή επεξεργασίας φυσικής γλώσσας (NLP) για την εξαγωγή της αξίας από μη δομημένα δεδομένα. Θα διερευνηθούν αρκετά παραδείγματα πραγματικού κόσμου για την εξέταση μη δομημένων δεδομένων στη χρηματοδότηση - συμπεριλαμβανομένης της ανάλυσης του συναισθήματος των οικονομικών ειδήσεων.

Εργαστήριο: Χρήση του πακέτου NLTK της Python σε:

  • Εξερευνήστε και σαρώστε ένα κείμενο χρησιμοποιώντας Tf-Idf και Count Vectors
  • Προβλέψτε λέξεις σε ένα κείμενο: οικοδόμηση μιας πρόβλεψης λέξεων ξεκινώντας από ένα κείμενο. γράφοντας ένα πρόγραμμα που μπορεί να προβλέψει τη λέξη που ακολουθεί μια δεδομένη λέξη
  • Κατανοήστε το συναίσθημα ενός ειδησεογραφικού στοιχείου σε ένα συγκεκριμένο απόθεμα

Βαθιά μάθηση

Βαθιά μάθηση ως υποπεδίο μάθησης μηχανών - Αλγόριθμοι τεχνητών νευρωνικών δικτύων (ANN).

  • Εισαγωγή στη Βαθιά Μάθηση
  • Προώθηση προς τα εμπρός
  • Word2vec προσέγγιση
  • Βαθύτερα δίκτυα και προώθηση
  • Βελτιστοποίηση του νευρικού δικτύου με αναδρομική διάδοση

Μελέτη περίπτωσης: Δημιουργία ενός μοντέλου Deep Learning με την Python (με έμφαση στα πακέτα Keras και Tensorflow)

Program taught in:
Αγγλικά

See 4 more programs offered by London Financial Studies »

Last updated January 24, 2019
Το μάθημα αυτό είναι Campus based
Ημερομηνία έναρξης
Απρ. 10, 2019
Duration
3 Ημέρες
Πλήρης παρακολούθηση
Τιμή
3,975 GBP
£ 1325 ανά ημέρα
By locations
By date
Ημερομηνία έναρξης
Απρ. 10, 2019
Ημερομηνία λήξης
Απρ. 12, 2019

Απρ. 10, 2019

Location
Application deadline
Ημερομηνία λήξης
Απρ. 12, 2019
Άλλο

LFS Webcast series - Applying Data-Mining in Finance