The course aims at helping students to be able to solve practical ML-amenable problems that they may encounter in real life that include: (1) understanding where the problem one faces lands on a general landscape of available ML methods, (2) understanding which particular ML approach(es) would be most appropriate for resolving the problem, and (3) ability to successfully implement a solution, and assess its performance.
Este curso faz parte do Programa de cursos integrados Machine Learning and Reinforcement Learning in Finance
oferecido por
Informações sobre o curso
13,449 visualizações recentes
Resultados de carreira do aprendiz
20%
comecei uma nova carreira após concluir estes cursos
18%
consegui um benefício significativo de carreira com este curso
Certificados compartilháveis
Tenha o certificado após a conclusão
100% on-line
Comece imediatamente e aprenda em seu próprio cronograma.
Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Nível intermediário
Aprox. 18 horas para completar
Inglês
Legendas: Francês, Português (Brasil), Russo, Inglês, Espanhol
Instrutores
Resultados de carreira do aprendiz
20%
comecei uma nova carreira após concluir estes cursos
18%
consegui um benefício significativo de carreira com este curso
Certificados compartilháveis
Tenha o certificado após a conclusão
100% on-line
Comece imediatamente e aprenda em seu próprio cronograma.
Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Nível intermediário
Aprox. 18 horas para completar
Inglês
Legendas: Francês, Português (Brasil), Russo, Inglês, Espanhol
oferecido por
New York University
New York University is a leading global institution for scholarship, teaching, and research. Based in New York City with campuses and sites in 14 additional major cities across the world, NYU embraces diversity among faculty, staff and students to ensure the highest caliber, most inclusive educational experience.
Programa - O que você aprenderá com este curso
5 horas para concluir
Fundamentals of Supervised Learning in Finance
5 horas para concluir
9 vídeos (Total 71 mín.), 4 leituras, 1 teste
9 videos
Introduction to Fundamentals of Machine Learning in Finance4min
Support Vector Machines, Part 18min
Support Vector Machines, Part 27min
SVM. The Kernel Trick8min
Example: SVM for Prediction of Credit Spreads9min
Tree Methods. CART Trees9min
Tree Methods: Random Forests8min
Tree Methods: Boosting9min
4 leituras
A. Smola and B. Scholkopf, “A Tutorial on Support Vector Regression”, Statistics and Computing, vol. 14, pp. 199-229, 200415min
A. Geron, “Hands-On Machine Learning with Scikit-Learn and TensorFlow”, Chapters 6 & 730min
K. Murphy, “Machine Learning: A Probabilistic Perspective”, MIT Press, 2009, Chapter 16.415min
Jupyter Notebook FAQ10min
4 horas para concluir
Core Concepts of Unsupervised Learning, PCA & Dimensionality Reduction
4 horas para concluir
6 vídeos (Total 54 mín.), 3 leituras, 1 teste
6 videos
PCA for Stock Returns, Part 14min
PCA for Stock Returns, Part 29min
Dimension Reduction with PCA9min
Dimension Reduction with tSNE11min
Dimension Reduction with Autoencoders9min
3 leituras
C. Bishop, “Pattern Recognition and Machine Learning”, Chapter 12.115min
A. Geron, “Hands-On ML”, Chapters 8 & 1530min
Jupyter Notebook FAQ10min
4 horas para concluir
Data Visualization & Clustering
4 horas para concluir
7 vídeos (Total 50 mín.), 3 leituras, 1 teste
7 videos
UL. K-clustering8min
UL. K-means Neural Algorithm7min
UL. Hierarchical Clustering Algorithms10min
UL. Clustering and Estimation of Equity Correlation Matrix5min
UL. Minimum Spanning Trees, Kruskal Algorithm6min
UL. Probabilistic Clustering6min
3 leituras
C. Bishop, “Pattern Recognition and Machine Learning”, Clustering and EM: Chapter 930min
G. Bonanno et. al. “Networks of equities in financial markets”, The European Physical Journal B, vol. 38, issue 2, pp. 363-371 (2004)15min
Jupyter Notebook FAQ10min
5 horas para concluir
Sequence Modeling and Reinforcement Learning
5 horas para concluir
11 vídeos (Total 101 mín.), 3 leituras, 1 teste
11 videos
Sequence Modeling10min
SM. Latent Variables for Sequences8min
SM. State-Space Models9min
SM. Hidden Markov Models9min
Neural Architecture for Sequential Data12min
RL. Introduction8min
RL. Core Ideas7min
Markov Decision Process and RL8min
RL. Bellman Equation6min
RL and Inverse Reinforcement Learning11min
3 leituras
C. Bishop, “Pattern Recognition and Machine Learning”, Chapter 1310min
S. Marsland, “Machine Learning: an Algorithmic Perspective” (Chapman & Hall 2009), Chapter 1315min
Jupyter Notebook FAQ10min
Avaliações
Principais avaliações do FUNDAMENTALS OF MACHINE LEARNING IN FINANCE
por JJ24 de Dez de 2018
So far so good. The lecturer refers to projects of which some weren't covered in this course. So a little confusing. Takes lots of googling to finish this course.
por AT9 de Ago de 2019
Furthered my understanding of how probabilistic models are connected to Machine Learning models. Very happy with the content in this course.
por AT2 de Set de 2019
Great course which covers both theories as well as practical skills in the real implementations in the financial world.
por SD18 de Set de 2019
This is a great course, I strongly recommend. However, the assignments take a while to finish.
Sobre Programa de cursos integrados Machine Learning and Reinforcement Learning in Finance
The main goal of this specialization is to provide the knowledge and practical skills necessary to develop a strong foundation on core paradigms and algorithms of machine learning (ML), with a particular focus on applications of ML to various practical problems in Finance.
Perguntas Frequentes – FAQ
Quando terei acesso às palestras e às tarefas?
O que recebo ao me inscrever nesta Especialização?
Is financial aid available?
Ganharei créditos universitários por concluir o curso?
Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.
