Магистратура
2022/2023![Цель освоения дисциплины](/f/src/global/i/edu/objectives.svg)
![Планируемые результаты обучения](/f/src/global/i/edu/results.svg)
![Содержание учебной дисциплины](/f/src/global/i/edu/sections.svg)
Машинное обучение в финансах
Лучший по критерию «Новизна полученных знаний»
Статус:
Курс по выбору (Мировая экономика)
Направление:
38.04.01. Экономика
Кто читает:
Департамент мировой экономики
Где читается:
Факультет мировой экономики и мировой политики
Когда читается:
2-й курс, 1, 2 модуль
Формат изучения:
без онлайн-курса
Охват аудитории:
для своего кампуса
Преподаватели:
Дробин Сергей Алексеевич
Прогр. обучения:
Мировая экономика
Язык:
русский
Кредиты:
3
Контактные часы:
40
Программа дисциплины
Аннотация
Цель данного курса – познакомить студентов с современными алгоритмами машинного обучения и продемонстрировать возможности их применения для решения задач финансовой науки. Освоение дисциплины даст студентам практический навык обработки экономических данных с помощью языка Python и построения аналитических моделей. В результате прохождения курса студенты научатся самостоятельно формировать массивы данных для анализа и проверять их на полноту и корректность, смогут формулировать гипотезы, выбирать подходящие модели машинного обучения для их проверки и оценивать устойчивость моделей. Особое внимание в рамках курса уделяется специфике работы с экономическими данными, характеризующимися нестационарностью и частыми сменами режимов. Программа курса предполагает знакомство слушателей с основами статистики и эконометрики. Занятия проходят в форме семинаров, в ходе которых студенты работают с программным кодом на языке Python и строят численные эксперименты, раскрывающие механизм работы алгоритмов машинного обучения.
Цель освоения дисциплины
- Знакомство студентов с современными алгоритмами машинного обучения и продемонстрировать возможности их применения для решения задач финансовой науки.
Планируемые результаты обучения
- может формулировать гипотезы и использовать данные для их верификации
- владеет навыком построения базовых моделей машинного обучения в Python
- понимает статистические особенности финансовых данным и учитывает их при построении моделей и интерпретации
- умеет формировать подходящие для анализа массивы финансовых данных
Содержание учебной дисциплины
- Сущность машинного обучения. Особенности терминологии. Проблемы использования эконометрики в финансах. Примеры использования машинного обучения для решения финансовых задач.
- Введение в Python. JupyterLab. Типы переменных. Базовые операции. Pandas, NumPy.
- Визуализация данных в Python. Matplotlib и Seaborn.
- Линейные регрессии и k-ближайших соседей. Оценка качества моделей.
- Логистическая регрессия и линейный дискриминантный анализ. Метрики качества классификации.
- Выбор параметров модели. Ресэмплинг. Кросс-валидация и бутстрэп.
- Регуляризация линейных моделей. Гребневая (ridge) и LASSO регрессии
- Методы снижения размерности данных. Метод главных компонент (PCA). Определение числа значимых компонент.
- Решающие деревья. Случайные леса. Бустинг.
- Машины опорных векторов (SVM).
- Кластеризация по методу k-средних, k-медоидов.
- Иерархическая кластеризация. Построение дендрограмм.