Machine Learning for Finance (with Python) Treningskurs
Maskinlæring er en gren av kunstig intelligens der datamaskiner har evnen til å lære uten å være eksplisitt programmert. Python er et programmeringsspråk kjent for sin klare syntaks og lesbarhet. Den tilbyr en utmerket samling av veltestede biblioteker og teknikker for utvikling av maskinlæringsapplikasjoner.
I denne instruktørledede, live-opplæringen vil deltakerne lære hvordan man bruker maskinlæringsteknikker og verktøy for å løse virkelige problemer i finansbransjen.
Deltakerne lærer først nøkkelprinsippene, og setter deretter kunnskapen sin ut i praksis ved å bygge sine egne maskinlæringsmodeller og bruke dem til å fullføre en rekke teamprosjekter.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå de grunnleggende konseptene innen maskinlæring
- Lær applikasjonene og bruken av maskinlæring i finans
- Utvikle sin egen algoritmiske handelsstrategi ved å bruke maskinlæring med Python
Publikum
- Utviklere
- Dataforskere
Format på kurset
- Del forelesning, del diskusjon, øvelser og tung praktisk praksis
Kursplan
Introduksjon
- Forskjellen mellom statistisk læring (statistisk analyse) og maskinlæring
- Adopsjon av maskinlæringsteknologi og talent av finansselskaper
Forstå ulike typer Machine Learning
- Veiledet læring vs uovervåket læring
- Iterasjon og evaluering
- Bias-varians avveining
- Kombinere veiledet og uovervåket læring (semi-veiledet læring)
Forståelse Machine Learning Languages og verktøysett
- Åpen kildekode vs proprietære systemer og programvare
- Python vs R vs Matlab
- Biblioteker og rammer
Forståelse Neural Networks
Forstå grunnleggende konsepter i Finance
- Forstå aksjehandel
- Forstå tidsseriedata
- Forstå økonomiske analyser
Machine Learning Kasusstudier i Finance
- Signalgenerering og testing
- Funksjonsteknikk
- Algoritmisk handel med kunstig intelligens
- Kvantitative handelsspådommer
- Robo-rådgivere for portefølje Management
- Risiko Management og svindeloppdagelse
- Forsikringsgaranti
Hands-on: Python for Machine Learning
- Sette opp arbeidsområdet
- Skaffe Python maskinlæringsbiblioteker og -pakker
- Arbeide med Pandas
- Jobber med Scikit-Learn
Importere økonomiske data til Python
- Bruker Pandas
- Bruker Quandl
- Integrering med Excel
Arbeide med tidsseriedata med Python
- Utforske dataene dine
- Visualisere dataene dine
Implementering av vanlige økonomiske analyser med Python
- Returns
- Moving Windows
- Volatility Calculation
- Ordinary Least-Squares Regression (OLS)
Utvikle en algoritmisk handelsstrategi ved å bruke overvåket Machine Learning med Python
- Forstå Momentum Trading-strategien
- Forstå Reversion Trading-strategien
- Implementering av handelsstrategien din for enkle bevegelige gjennomsnitt (SMA).
Tilbaketesting av din Machine Learning handelsstrategi
- Lære backtesting fallgruver
- Komponenter i Backtesteren din
- Bruke Python Backtesting Tools
- Implementering av din enkle backtester
Forbedre din Machine Learning handelsstrategi
- KMeans
- K-Nærmeste Naboer (KNN)
- Klassifiserings- eller regresjonstrær
- Genetisk algoritme
- Arbeide med porteføljer med flere symboler
- Bruke et Risk Management rammeverk
- Bruke hendelsesdrevet backtesting
Evaluering av ytelsen til din Machine Learning handelsstrategi
- Bruke Sharpe-forholdet
- Beregne en maksimal nedtrekk
- Bruk av sammensatt årlig veksthastighet (CAGR)
- Måle fordeling av avkastning
- Bruke måleverdier på handelsnivå
- Sammendrag
Feilsøking
Sluttkommentarer
Krav
- Grunnleggende erfaring med Python programmering
- Grunnleggende kjennskap til statistikk og lineær algebra
Open Training Courses require 5+ participants.
Machine Learning for Finance (with Python) Treningskurs - Booking
Machine Learning for Finance (with Python) Treningskurs - Enquiry
Testimonials (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurs - Kubeflow
Upcoming Courses
Relaterte kurs
AdaBoost Python for Machine Learning
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot datavitere og programvareingeniører som ønsker å bruke AdaBoost til å bygge forsterkende algoritmer for maskinlæring med Python.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Sett opp det nødvendige utviklingsmiljøet for å begynne å bygge maskinlæringsmodeller med AdaBoost.
- Forstå ensemblelæringstilnærmingen og hvordan du implementerer adaptiv boosting.
- Lær hvordan du bygger AdaBoost-modeller for å øke maskinlæringsalgoritmer i Python.
- Bruk hyperparameterinnstilling for å øke nøyaktigheten og ytelsen til AdaBoost-modeller.
AutoML with Auto-Keras
14 timerDenne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot dataforskere så vel som mindre tekniske personer som ønsker å bruke Auto-Keras til å automatisere prosessen med å velge og optimalisere en maskinlæringsmodell.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Automatiser prosessen med å trene opp svært effektive maskinlæringsmodeller.
- Søk automatisk etter de beste parametrene for dyplæringsmodeller.
- Bygg svært nøyaktige maskinlæringsmodeller.
- Bruk kraften til maskinlæring for å løse virkelige forretningsproblemer.
AutoML
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot tekniske personer med bakgrunn i maskinlæring som ønsker å optimalisere maskinlæringsmodellene som brukes for å oppdage komplekse mønstre i big data.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Installer og evaluer forskjellige åpen kildekode AutoML-verktøy (H2O AutoML, auto-sklearn, TPOT, TensorFlow, PyTorch, Auto-Keras, TPOT, Auto-WEKA, etc.)
- Tren maskinlæringsmodeller av høy kvalitet.
- Løs effektivt ulike typer overvåket maskinlæringsproblemer.
- Skriv bare den nødvendige koden for å starte den automatiserte maskinlæringsprosessen.
Creating Custom Chatbots with Google AutoML
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot deltakere med varierende ekspertisenivåer som ønsker å utnytte Googles AutoML-plattform for å bygge tilpassede chatbots for ulike applikasjoner.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Forstå det grunnleggende om chatbot-utvikling.
- Naviger i Googgle Cloud Platform og få tilgang til AutoML.
- Forbered data for trening av chatbot-modeller.
- Tren og evaluer tilpassede chatbot-modeller ved å bruke AutoML.
- Distribuer og integrer chatbots i ulike plattformer og kanaler.
- Overvåk og optimaliser chatbot-ytelsen over tid.
Pattern Recognition
21 timerThis instructor-led, live training in Norge (online or onsite) provides an introduction into the field of pattern recognition and machine learning. It touches on practical applications in statistics, computer science, signal processing, computer vision, data mining, and bioinformatics.
By the end of this training, participants will be able to:
- Apply core statistical methods to pattern recognition.
- Use key models like neural networks and kernel methods for data analysis.
- Implement advanced techniques for complex problem-solving.
- Improve prediction accuracy by combining different models.
DataRobot
7 timerDenne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot dataforskere og dataanalytikere som ønsker å automatisere, evaluere og administrere prediktive modeller ved å bruke DataRobots maskinlæringsfunksjoner.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Last inn datasett i DataRobot for å analysere, vurdere og kvalitetssjekke data.
- Bygg og tren modeller for å identifisere viktige variabler og møte prediksjonsmål.
- Tolke modeller for å skape verdifull innsikt som er nyttig for å ta forretningsbeslutninger.
- Overvåk og administrer modeller for å opprettholde en optimalisert prediksjonsytelse.
Data Mining with Weka
14 timerDenne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot nybegynnere til mellomnivå dataanalytikere og dataforskere som ønsker å bruke Weka til å utføre datautvinningsoppgaver.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Installer og konfigurer Weka.
- Forstå Weka miljøet og arbeidsbenken.
- Utfør data mining-oppgaver ved å bruke Weka.
Google Cloud AutoML
7 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere, dataanalytikere og utviklere som ønsker å utforske AutoML-produkter og funksjoner for å lage og distribuere tilpassede ML-treningsmodeller med minimal innsats.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Utforsk produktlinjen AutoML for å implementere forskjellige tjenester for ulike datatyper.
- Forbered og merk datasett for å lage tilpassede ML-modeller.
- Tren og administrer modeller for å produsere nøyaktige og rettferdige maskinlæringsmodeller.
- Lag spådommer ved å bruke opplærte modeller for å møte forretningsmål og behov.
Kubeflow
35 timerDenne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere og dataforskere som ønsker å bygge, distribuere og administrere arbeidsflyter for maskinlæring på Kubernetes.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Installer og konfigurer Kubeflow på stedet og i skyen ved å bruke AWS EKS (Elastic Kubernetes Service).
- Bygg, distribuer og administrer ML-arbeidsflyter basert på Docker containere og Kubernetes.
- Kjør hele maskinlæringspipelines på forskjellige arkitekturer og skymiljøer.
- Bruke Kubeflow til å skape og administrere Jupyter-notatbøker.
- Bygg ML-trening, justering av hyperparameter og betjening av arbeidsbelastninger på tvers av flere plattformer.
MLflow
21 timerDenne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot dataforskere som ønsker å gå lenger enn å bygge ML-modeller og optimalisere ML-modelloppretting, sporing og distribusjonsprosessen.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Installer og konfigurer MLflow og relaterte ML-biblioteker og rammeverk.
- Sett pris på viktigheten av sporbarhet, reproduserbarhet og distribusjon av en ML-modell
- Distribuer ML-modeller til forskjellige offentlige skyer, plattformer eller lokale servere.
- Skaler ML-implementeringsprosessen for å imøtekomme flere brukere som samarbeider om et prosjekt.
- Sett opp et sentralt register for å eksperimentere med, reprodusere og distribuere ML-modeller.
Machine Learning for Mobile Apps using Google’s ML Kit
14 timerDenne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot utviklere som ønsker å bruke Googles ML Kit til å bygge maskinlæringsmodeller som er optimalisert for prosessering på mobile enheter.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Sett opp det nødvendige utviklingsmiljøet for å begynne å utvikle maskinlæringsfunksjoner for mobilapper.
- Integrer ny maskinlæringsteknologi i Android og iOS apper ved å bruke ML Kit API-ene.
- Forbedre og optimaliser eksisterende apper ved å bruke ML Kit SDK for prosessering og distribusjon på enheten.
Pattern Matching
14 timerPattern Matching er en teknikk som brukes til å lokalisere spesifiserte mønstre i et bilde. Den kan brukes til å bestemme eksistensen av spesifiserte egenskaper i et tatt bilde, for eksempel forventet etikett på et defekt produkt i en fabrikklinje eller de spesifiserte dimensjonene til en komponent. Det er forskjellig fra "Pattern Recognition" (som gjenkjenner generelle mønstre basert på større samlinger av relaterte prøver) ved at det spesifikt dikterer hva vi leter etter, og deretter forteller oss om det forventede mønsteret eksisterer eller ikke.
Kursets format
- Dette kurset introduserer tilnærmingene, teknologiene og algoritmene som brukes innen mønstertilpasning slik det gjelder Machine Vision.
Machine Learning with Random Forest
14 timerDenne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot dataforskere og programvareingeniører som ønsker å bruke Random Forest til å bygge maskinlæringsalgoritmer for store datasett.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Sett opp det nødvendige utviklingsmiljøet for å begynne å bygge maskinlæringsmodeller med Random forest.
- Forstå fordelene med Random Forest og hvordan du implementerer den for å løse klassifiserings- og regresjonsproblemer.
- Lær hvordan du håndterer store datasett og tolker flere beslutningstrær i Random Forest.
- Evaluer og optimaliser ytelsen til maskinlæringsmodeller ved å justere hyperparametrene.
Advanced Analytics with RapidMiner
14 timerDenne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot dataanalytikere på middels nivå som ønsker å lære å bruke RapidMiner til å estimere og projisere verdier og bruke analytiske verktøy for tidsserieprognoser.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Lær å bruke CRISP-DM-metodikken, velg passende maskinlæringsalgoritmer og forbedre modellkonstruksjon og ytelse.
- Bruk RapidMiner til å estimere og projisere verdier, og bruk analytiske verktøy for tidsserieprognoser.
RapidMiner for Machine Learning and Predictive Analytics
14 timerRapidMiner er en åpen kildekode datavitenskap programvareplattform for rask applikasjonsprototyping og utvikling. Det inkluderer et integrert miljø for dataforberedelse, maskinlæring, dyp læring, tekstutvinning og prediktiv analyse.
I denne instruktørledede, direkteopplæringen vil deltakerne lære hvordan de bruker RapidMiner Studio for dataforberedelse, maskinlæring og prediktiv modellimplementering.
Ved slutten av denne opplæringen vil deltakerne kunne:
- Installer og konfigurer RapidMiner
- Forbered og visualiser data med RapidMiner
- Validere maskinlæringsmodeller
- Mashup data og lag prediktive modeller
- Operasjonaliser prediktiv analyse i en forretningsprosess
- Feilsøk og optimaliser RapidMiner
Publikum
- Dataforskere
- Ingeniører
- Utviklere
Kursets format
- Del forelesning, del diskusjon, øvelser og tung praktisk praksis
Note
- For å be om en tilpasset opplæring for dette kurset, vennligst kontakt oss for å avtale.