/

Главная / Учебный центр / Вендоры / Академия Анализа Данных / Современные аналитические технологии и machine learning исследования финансовых данных

Современные аналитические технологии и machine learning исследования финансовых данных

0007
  • Формат проведения:
  • Уровень: продвинутый
  • Продолжительность: 12 ак. часов

Цель курса - научить финансистов строить предсказательные модели, используя весь арсенал современных аналитических средств и машинного обучения для решения актуальных задач.

В рамках курса проводится обучение современным аналитическим технологиям, включая построение предсказательных моделей, моделей классификацию, всестороннее исследования баз данных.


Расписание и цены

Стоимость и формат проведения курса:

  • очный (дневной, в аудитории) 49000 руб.

Формат, место и дата проведения обучения согласовываются индивидуально.

Оставьте запрос на обучение, заполнив форму ниже. Менеджер Учебного центра свяжется с вами для согласования времени и места проведения курса.

Запрос курса
  • *
  • *
  • *
    Ваш пароль для входа в личный кабинет будет сгенерирован и отправлен на e-mail автоматически
  • *

    Например,
  • *
  • *
  • *
  • Период *

  • *
  • Настоящим в соответствии с Федеральным законом № 152-ФЗ «О персональных данных» от 27.07.2006, отправляя данную форму, вы подтверждаете свое согласие на обработку персональных данных. Мы, ЗАО «СофтЛайн Интернейшнл» и аффилированные к нему лица, гарантируем конфиденциальность получаемой нами информации. Обработка персональных данных осуществляется в целях эффективного исполнения заказов, договоров и пр. в соответствии с «Политикой конфиденциальности персональных данных».
О курсе

Излагаются современные методы машинного обучения: CART модели, нейронные сети, методы опорных векторов, байесовские классификаторы, даются примеры применения методов.

О курсе

  1. Основные принципы машинного обучения
  2. Байесовский метод и байесовский классификатор в машинном обучении
  3. Метод k-ближайших соседей (k-nearest neighbors)
  4. Обучение и переобучение моделей
  5. Ансамбли моделей (Ensemble Learning Algorithms)
  6. Язык PMML (Predictive Model Markup Language) описания предиктивных моделей
  7. Сохранение моделей в PMML, применение построенных моделей к новым данным
  8. CART–модели - Деревья классификации и регрессии: методика построения моделей, параметры качества построенных моделей, разделение данных на обучающую и контрольную выборки, метод кросс-проверки, V-кратная кросс-проверка, представление результатов, анализ остатков, анализ важности предикторов
  9. Растущие деревья класификации и регрессии (Boosted trees), Случайные леса (Random forests)
  10. Многомерные адаптивные регрессионные сплайны (MARS): методология и технология
  11. Метод опорных векторов (SVM), понятие оптимальной разделяющей гиперплоскости
  12. Вероятностный подход к решению задачи классификации, байесовские классификаторы
  13. Сравнение качества построенных моделей, ROC-кривые, лифтовые диаграммы (lift charts), карты выигрышей (gain charts)
  14. Искусственные нейронные сети в задачах классификации и регрессии
  15. Совместное использование CART–моделей и нейронных сетей
  16. Классические статистические методы анализа:
  • Логит-регрессия
  • Многомерная регрессия
  • Дискриминантный анализ
  • Факторный анализ
  • Кластерный анализ
  • GLM-модели
  1. Сравнение классических методов анализа и методов машинного обучения
  2. Вопросы-ответы
Отзывы