Магистратура
2025/2026
Основы машинного обучения с приложениями в финансах
Статус:
Курс по выбору (Инвестиции на финансовых рынках)
Где читается:
Факультет экономических наук
Когда читается:
2-й курс, 1 модуль
Охват аудитории:
для своего кампуса
Преподаватели:
Афонина Мария Владимировна
Язык:
русский
Программа дисциплины
Аннотация
Курс ориентирован на нетехнических специалистов в финансовой индустрии и рассчитан на первоначальное изучение предмета. Слушатели знакомятся с математической постановкой основных типов задач анализа данных и современными методами их решения. Даются основы инструментария, в том числе, первичные навыки программирования в среде Python. Особое внимание уделено оценке качества решения задач анализа данных, умению формулировать задачи и требования для технических специалистов.
Цель освоения дисциплины
- Целями освоения дисциплины «Основы машинного обучения в практике финансовой деятельности» являются: - ознакомление студентов с теоретическими азами и основными принципами машинного обучения, их дельнейшим практическим применением в области финансов, - формирование у студентов начальных практических навыков решения прикладных задач анализа данных.
Планируемые результаты обучения
- Извлекать, очищать и обрабатывать данные, применять отбор, инженерию признаков и методы нормализации.
- Разрабатывать модели регрессии и классификации (линейная, логистическая регрессия, деревья решений, ансамбли). Оценивать модели с помощью метрик и настройки гиперпараметров.
- Использовать алгоритмы кластеризации (K-Means, DBSCAN) и снижения размерности (PCA, t-SNE). Оценивать и интерпретировать кластеры.
- Разрабатывать и обучать нейронные сети в TensorFlow. Осваивать современные архитектуры Deep Learning. Изучать алгоритмы Reinforcement Learning и их применение.
- Создавать рекомендательные системы и прогнозные модели. Разрабатывать итоговый проект и оценивать решения коллег.
Содержание учебной дисциплины
- 1. Введение в анализ данных
- 2. Контролируемое машинное обучение. Регрессия
- 3. Контролируемое машинное обучение. Классификация
- 4. Неконтролируемое машинное обучение
- 5. Deep learning и обучение с подкреплением (Reinforcement Learning)
- 6. Анализ и сравнение различных алгоритмов машинного обучения для создания рекомендательных систем на Python.
Список литературы
Рекомендуемая основная литература
- Gareth James, Daniela Witten, Trevor Hastie, Rob Tibshirani, & Maintainer Trevor Hastie. (2013). Type Package Title Data for An Introduction to Statistical Learning with Applications in R Version 1.0. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.28D80286
- Python и анализ данных : первичная обработка данных с применением pandas, NumPy и Jupiter, Маккинни, У., 2023
- Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль , перевод с английского А. А. Слинкина. — 2-е изд. — Москва : ДМК Пресс, 2018. — 652 с. — ISBN 978-5-97060-618-6. — Текст : электронный // Лань : электронно-библиотечная система. — URL: https://e.lanbook.com/book/107901 (дата обращения: 00.00.0000). — Режим доступа: для авториз. пользователей.
Рекомендуемая дополнительная литература
- Python Data Analytics поможет вам освоить мир сбора и анализа данных, используя всю мощь языка Python. В основе этой книги лежит описание pandas, библиотеки с открытым исходным кодом, лицензированной BSD, обеспечивающей высокопроизводительные, простые в использовании структуры данных и инструменты анализа данных для языка программирования Python. Автор Фабио Нелли мастерски демонстрирует силу языка программирования Python в применении к обработке, управлению и извлечению информации. Внутри вы увидите, насколько интуитивно понятным и гибким является обнаружение и передача значимых шаблонов данных с помощью скриптов Python, систем отчетности и экспорта данных. В этой книге рассматривается, как получать, обрабатывать, хранить, управлять и анализировать данные с помощью языка программирования Python. Вы будете использовать Python и другие инструменты с открытым исходным кодом для обработки данных и выявления интересных и важных тенденций в этих данных, которые позволят вам предсказывать будущее. узоры. Независимо от того, имеете ли вы дело с данными продаж, инвестиционными данными (акции, облигации и т. Д.), Медицинскими данными, использованием веб-страниц или любым другим типом набора данных, Python можно использовать для интерпретации, анализа и сбора информации из кучи числа и статистика. Эта книга является бесценным справочником с примерами хранения и доступа к данным в базе данных; он проведет вас через процесс создания отчета; в нем представлены три практических примера или примера, которые вы можете взять с собой для повседневного анализа.
- Solé, J. L. (2007). Book review: Pattern recognition and machine learning. Cristopher M. Bishop. Information Science and Statistics. Springer 2006, 738 pages.
- Анализ данных на компьютере : учеб. пособие для вузов, Тюрин, Ю. Н., 2013
- Нейронные сети и финансовые рынки : принятие решений в торговых операциях, Бэстенс, Д. Э., 1997