Курс Data Science in Finance

Навчіться автоматизувати збір та оброблення даних завдяки Python, розробляти прогнозні моделі, використовувати інструменти моніторингу та аналізу точності, а також візуалізувати дані та створювати зрозумілі дашборди.

Програма курсу

Знайомство з викладачем та огляд курсу

• Цілі та воркфлоу курсу
• Налаштування середовища Python
• Введення у завдання проєкту та ключові дати
• Q&A-сесія

Роль Data Science, AI та ML у фінансах

• Що таке Data Science, AI та ML
• Програмні застосунки у фінансових послугах
• Важливі навички для Data Scientist або Data Engineer
• Ключова термінологія та програмне забезпечення, пов'язане з фінансовими послугами
• Ланцюг оброблення машинного навчання та воркфлоу

Практичні стратегії пошуку та очищення наборів фінансових даних

• Загальні джерела даних для Data Science та Al у фінансах
• Загальні методи збору й очищення даних та їхня реалізація на Python
• Кейс-стаді: розв'язання загальних проблем у фінансових даних
• Практичне завдання: застосування методів очищення даних за допомогою Python

Від даних до дієвих інсайтів: Exploratory Data Analysis (EDA) на Python

• Exploratory Data Analysis та його використання у фінансах
• Функціональна інженерія та її використання в Data Science
• Як візуалізація може прискорити процес EDA
• Дані часових рядів та як поводитися з ними в EDA
• Демо: реалізація на Python

Статистичне моделювання у фінансах за допомогою Python

• Вступ до статистичного моделювання та використання у фінансах
• Як робити висновки та перевіряти бізнес-гіпотези за допомогою ваших даних
• Практичне завдання: оцініть кредитоспроможність проєкту LendingClub

AI та ML у фінансах

• Вступ до машинного навчання та штучного інтелекту
• Алгоритми Al & ML
• Побудова класифікаційних моделей для оцінювання ризиків
• Оцінювання та інтерпретація моделей ML
• Збалансування точності моделі та її зрозумілості
• Поширені проблеми в моделюванні та методи їхнього розв'язання
• Демо: потік навчання та оцінювання моделі EZE

Ансамблеві методи для предикативного моделювання

• Ансамблеві моделі в машинному навчанні
• Фреймворки інтерпретації та пояснення моделей
• Вступ до налаштування гіперпараметрів
• Демо: реалізація ансамблевої моделі з налаштуванням гіперпараметрів та порівняння ефективності з базовою моделлю, побудованою на занятті №4

Вступ до глибокого навчання (DL) та нейронних мереж

• Основи глибокого навчання та нейронних мереж
• Розуміння того, як DL та нейронні мережі використовуються у фінансах
• Демо: популярні фреймворки Python для нейронних мереж

Неконтрольоване навчання у фінансах: виявлення викидів, сегментування клієнтів та подолання "прокляття розмірності"

• Виявлення відхилень: приклади використання та методи у фінансових послугах
• Приклади використання кластеризації та сегментації
• Аналіз головних компонентів для зменшення розмірності
• Демо: реалізація на Python

Моделювання часових рядів у фінансових послугах

• Дані часових рядів та їхнього використання у фінансах
• Розкладання даних часових рядів на ключові компоненти
• Методи прогнозування та сімейства моделей
• Демо: реалізація на Python

Генеративний АІ у фінансових послугах

• Вступ до генеративного Al та великих мовних моделей
• Моделі впровадження у фінансових послугах, ризики та можливості
• Демо: створення чат-бота для обслуговування користувачів

Створення застосунку на Python для виявлення шахрайства в реальному часі

• Введення у створення застосунків на Python
• Демо: створення застосунку для виявлення шахрайства
• Міркування щодо масштабованості та дизайну застосунку

Від ідеї до використання: життєвий цикл ML Ops

• Дизайн та архітектура системи ML
• Життєвий цикл та управління моделями ML Ops
• Етичні аспекти ML у фінансовій сфері
• Конфіденційність та безпека даних
• Регламент та комплаєнс

Ефективна співпраця та кращі практики в командах Data Science

• Ефективна реалізація проєктів у галузі Data Science
• Вимірювання успіху та ROI
• Кращі практики кодування та розробки програмного забезпечення
• Ефективна співпраця
• Розвиток хмарних технологій та тенденції в галузі Data Science
• Практичне завдання: визначення успіху для вашої ініціативи в галузі Data Science

Стратегічне планування кар'єри для Data Scientists у фінансах

• Кар'єрні шляхи в Data Science у фінансах
• Ключові тенденції та майбутнє AI у фінансах
• Підготовка резюме та проходження співбесіди
• Підсумки курсу

Особливості курсу

• Власний проєкт
• Практичний досвід
• Викладач з міжнародним досвідом
• Сертифікат про проходження курсу

Викладачі курсу

Андреа Аугусто Бароні - Head of Data Science Platform at Barclays