Adatbányászat

London Financial Studies

A Képzés Leírása

Hivatalos Leírás

Adatbányászat

London Financial Studies

Az elmúlt években az adatkutatási technikák, mint például az adatbányászat és a gépi tanulás népszerűsége óriási növekedést mutatott. Hatékony megoldásokat kínálnak a kockázatkezelők és pénzügyi elemzők rendelkezésére álló hatalmas mennyiségű adat feldolgozására és elemzésére.

A számítási teljesítmény és az elosztott feldolgozás előrehaladtával ma már képes feldolgozni és értelmezni a különböző adatforrásokból gyűjthető információk széles körét.

Ez a gyakorlati program a legfontosabb technikákat tartalmazza - beleértve a felügyelt és felügyelet nélküli gépi tanulás számos aspektusát -, amelyek a pénzügyi adatok bányászata során alkalmazhatók. A program olyan fejlett adatkutatási technikákra is összpontosít, amelyek széles körben elterjedtek a pénzügyi piacokon a szövegelemzés és a mesterséges intelligencia területén: a Natural Language Processing (NLP) és a Deep Learning (DL).

A program teljes egészében workshopok és esettanulmányok révén érhető el. A résztvevők megtanulják, hogyan hajtsák végre a természetes nyelvi feldolgozási technikákat azáltal, hogy egy hangulatelemzési modellt építenek fel a szövegszövegek elemzésére. A mély tanulási szakaszban a résztvevők egy neurális hálózat megépítésére és tesztelésére összpontosítanak pénzügyi probléma megoldására Python segítségével.

A legtöbb gyakorlatot és esettanulmányt illusztrálja a Python, amely lehetővé teszi, hogy megtanulják használni a rugalmas programozási nyelvet.

Dátum: 2018-221

Helyszín: Közép-London

Díj: napi 1325 font

Előfordulhat, hogy jogosult a kedvezményes tarifákra. Kérjük, lépjen velünk kapcsolatba, hogy ellenőrizze, hogy a vállalat tagja-e az LFS Global Client Programnak.


Ki a tanfolyam

  • Portfóliókezelők
  • Kockázatkezelők
  • Azok a szakemberek, akik az adatbányászati ​​koncepciókat napi munkájuk során kívánják bevezetni
  • Informatikai fejlesztők
  • A statisztikusok
  • Quant elemzők
  • Pénzügyi mérnökök
  • Mérnöki


Tanulási célok

  • Építsen szilárd tudásbázist az adatbányászati ​​technikákra és eszközökre, valamint alkalmazásuk a pénzügyi ágazatra
  • Tapasztalja meg a természetes nyelv feldolgozását és a Deep Learning finanszírozást
  • Tudja meg, hogyan alkalmazza a Pythonot az adatbányászat és -feldolgozás, valamint a valós NLP és DL problémák megoldására
  • A mesterséges neurális hálózatok (ANN) algoritmusainak megértése és azok felhasználása DL-modellek tervezésére, építésére és fejlesztésére


Elsődleges tudás

  • A statisztikák alapfogalmai
  • Az Excel jó munkatapasztalata
  • A Python előzetes ismerete nem szükséges


Tanfolyam körvonal

Első nap

Az adatbányászat áttekintése

Az adatbányászat különböző összetevőinek kiépítése

  • Egyesülési szabályok
  • Osztályozási és regressziós problémák
  • Klaszterelemzés

Adatmegjelenítés

  • A harmadik féltől származó megoldások áttekintése (Tableau, QlikeTech stb.) Nagy adatkészletek megjelenítésére. Az esettanulmányokat a matplotlib-könyvtár és a plotly (nyílt forrású online adat-együttműködési platform)
  • Grafikus adatbázisok: a hálózati elmélet alkalmazása a portfolióelemzéshez és a grafikus adatbázisokba való bevezetéshez
  • Külső észlelés
  • Mahalanobis távolság

Regresszió

  • OLS (közönséges legkisebb négyzetek)
  • Ridge regresszió
  • szórásának
  • Lasszó
  • Elasztikus háló

Workshop: A nagyvilági részvényportfólió optimális fedezeti ügyleteinek kidolgozása határidős felhasználásával. A portfólió globális jellegű (100 részvény), de csak korlátozott számú határidős állomány áll rendelkezésre

Fő komponenselemzés (PCA)

  • A kamatok fogalmi struktúrájának és az implikált volatilitásoknak a fő elemeleme
  • Főkomponens regresszió (PCR)
  • Részleges legkisebb négyzetek (PLS)

Workshop: A PCA használatával csökkenti a történelmi kamatláb-görbék nagy adatkészletének méretét. A görbe összetett viselkedése különböző lejáratokon át terjed, és ez a módszer lehetővé teszi a kockázatkezelő számára, hogy sokkal jobb képet kapjon a kamatláb-görbék dinamikájáról

Adatosztályozás - regresszió

A kernel sűrűségének becslése és osztályozása

  • A kernel sűrűség becslése egy felügyelet nélküli tanulási eljárás, amely a nem paraméteres osztályozás egyszerű eljáráscsaládjához vezet

Esettanulmány: A rendszermagok segítségével pénzügyi adatok eloszlását eredményezheti

Osztályozás - I. rész

  • Naive Bayes besorolás: Egyszerű és hatékony módszer az adatok osztályozására

Esettanulmány: A Bayes-prediktor kidolgozása egy nagy adatkészlethez, amely az amerikai bankok különböző tulajdonságait tartalmazza. A Bayes-osztályozót azon bankok szétválasztására használják fel, amelyek valószínűleg nem fognak meghiúsulni azoktól, amelyek továbbra is oldószerként fognak maradni

Osztályozás - II

  • Robusztus adatbányászati ​​technikák
  • Logisztikus regresszió

Esettanulmány: Log-regresszió alkalmazása nagy dimenzióval rendelkező valós adatkészletre

Második nap

Adatosztályozás (folytatás)

Osztályozás - III. Rész

  • Osztályozás Fák: A CART-modellezés az egyszerűen használható gyakorlati döntésekhez vezet
  • A döntésfák fogalmát olyan technikákkal bővítik ki, mint a Véletlenszerű erdő és a Bagging

Esettanulmány: Az olyan fogalmakat, mint a költségfüggvények, a szennyeződések szintje, a fa metszése és a kereszt-érvényesítés, részletesen kezelik

  • K-A legközelebbi szomszéd tanulás
  • Logisztikus regresszió

Esettanulmány: A klasszifikációs módszereket (K-Legközelebbi és CART) különböző valós idejű pénzügyi adatok különböző műszaki mutatói (RSI, MACD, stb.) Segítségével fogják dolgozni. Ez szemlélteti, hogy ezek az osztályozók hogyan használhatók a különböző vödörben lévő készletek megosztására a különböző attribútumok erejének megfelelően gyors módon

Workshop: Adatbányászati ​​eszközök

Bevezetés a Pythonba - Hatékony programozási nyelv

A Python alkalmazhatóságát az adatelemzés területén gyakorlati példákkal illusztrálja, a "scikit-learn" csomag segítségével a gépi tanulásra összpontosítva. Minden példát a Jupyter-notebookok fogják lefedni. A küldöttek megtudják, hogyan készítsenek egyedi jelentéseket a Pythonban

Harmadik nap

Természetes nyelvfeldolgozás

A vállalkozások számára nagy kihívást jelent a valós idejű közösségi médiumokból, képekből, e-mailekből, PDF-fájlokból és a strukturálatlan adatok egyéb forrásaiból való kivonása.

Ez a rész a Natural Language Processing (NLP) alkalmazásával foglalkozik a strukturálatlan adatok értékének kivonásával. Megvizsgálják a pénzügyek strukturálatlan adatainak - köztük a pénzügyi hírek érzelmi elemzésének - néhány valódi példáját.

Workshop: Az NLTK Python csomagja:

  • Fedezze fel és tüntesse fel a szöveget a Tf-Idf és Count Vectors segítségével
  • Szavak előrejelzése egy szövegben: egy szövegbeviteli elem létrehozása szövegből kiindulva; olyan program írása, amely előre tudja jelezni azt a szót, amely egy adott szó után következik
  • Értsd meg egy hírneve egy adott készleten

Deep Learning

A mély tanulás mint gépi tanulás részmezete - Mesterséges Neurális Hálózatok (ANN) algoritmusok.

  • Bevezetés a mély tanulásba
  • Továbbítás
  • Word2vec megközelítés
  • A mélyebb hálózatok és az előre elterjedés
  • A neurális hálózat optimalizálása hátrahúzással

Esettanulmány: Deep Learning modell létrehozása a Python-val (a Keras és a Tensorflow csomagokra összpontosítva)

Az intézmény az alábbi területeken kínál képzéseket:
  • Angol


Utoljára frissítve August 9, 2018
Időtartam és Ár
This course is Nappali bejárós
Start Date
Kezdet
nov. 21, 2018
Duration
Időtartam
3 napok
Nappali
Price
ár
3,975 GBP
Napi 1325 fontot
Locations
Egyesült Királyság - London, England
Kezdet : nov. 21, 2018
Jelentkezési határidő Kérj Információt
A befejezés dátuma nov. 23, 2018
Dates
nov. 21, 2018
Egyesült Királyság - London, England
Jelentkezési határidő Kérj Információt
A befejezés dátuma nov. 23, 2018
Videók

LFS Webcast series - Applying Data-Mining in Finance