دوره علم داده و هوش مصنوعی در مالی

• درس صفر: کلیات (آشنایی با زبان‌ها برنامه‌نویسی و محبوبیت آنها، آشنایی اجمالی بر الگوریتم و فلوچارت، اهمیت پایتون در بازارهای مالی)
• درس یکم: آشنایی با پایتون (تاریخچه پایتون، ویژگی‌های پایتون، کاربردهای پایتون، نسخه‌های پایتون، نصب پایتون، آشنایی با محیط پایتون و محیط‌های توسعه و…)
• درس دوم: انواع داده‌‌‌ها (اعداد، رشته، لیست، Tuple، دیکشنری، Set و تبدیل داده‌ها) ارائه کاربردهای آن در اقتصاد و مالی
• درس سوم: انواع عملگرها در پایتون (محاسباتی، منطقی، مقایسه‌ای و…، تقدم عملگرها) و بررسی کاربرد آن در اقتصاد و مالی
• درس چهارم: ساختارهای تصمیم: دستورات شرطی (ساختار if، else…if و ساختار شرطی تو در تو) و ارائه مثال در حوزه مالی
• درس پنجم: ساختارهای تصمیم: حلقه‌ها (ساختار for و while، ساختار حلقه تو در تو، دستورات کنترلی در حلقه) و ارائه مثال در حوزه مالی
• درس ششم: ایجاد تابع (مزیت استفاده از تابع، انواع توابع، توابع بازگشتی صدا زدن تابع، تست توابع) و ارائه مثال‌هایی از کاربرد آن در حوزه مالی
• درس هفتم: فایل (باز کردن فایل، خواندن فایل، نوشتن در فایل، بستن فایل، حذف فایل)
• درس هشتم: کاربرد مقدماتی پایتون (توابع ریاضی، اعداد تصادفی، ورود داده‌های مالی به پایتون، محاسبه بازده دارایی‌ها، محاسبه ریسک، تحلیل همبستگی)
• درس نهم: آشنایی با کتابخانه numpy برای انجام محاسبات عددی در حوزه مالی
• درس دهم: آشنایی با کتابخانه Pandas برای مدیریت و ترسیم داده‌های مالی
• درس یازدهم: آشنایی با کتابخانه matplotlib و seaborn برای ترسیم داده‌های مالی
• درس دوازدهم: کاربردهای متنوع در حوزه مالی
  • ورود داده‌های مالی از منابع معتبر google finance، yahoo finance، world Bank و…
  • انتقال فایل داده از اکسل، R و سایر نرم‌افزارهای مرتبط با مالی
  • انواع ترسیم‌های کاربردی در داده‌های مالی (نمودارهای سری زمانی، نمودارهای همبستگی، هیستوگرام و ….)
  • حل تمرین و رفع اشکال

به زودی به روز رسانی می‌شود.

• آمار توصیفی (میانگین، میانه، انحراف معیار، چولگی، کشیدگی، کواریانس و…)
• آشنایی با توزیع‌های تئوریک و تجربی (هیستوگرام، کرنل و…)
• مفهوم ایستایی و همجمعی و آزمون های مرتبط
• مدلسازی AR, MA, ARIMA
• مدل‌های ناهمسانی واریانس شرطی خانواده  GARCH
• بررسی روابط علت و معلولی متغیرها

• درس یکم: مقدمه‌ای بر یادگیری ماشین
  • تعریف یادگیری ماشین و کاربردهای آن
  • انواع الگوریتم های یادگیری (با نظارت و بدون نظارت(
  • مقدمه ای بر یادگیری با نظارت
  • مقدمه ای بر یادگیری بدون نظارت
• درس دوم: داده
  • انواع داده (اسمی، ترتیبی، عددی)
  • شاخص‌های آماری داده (میانگین، میانه، مد، واریانس، انحراف معیار، چارک و…)
  • نمایش گرافیکی توصیف‌های آماری (نمودار میله‌ای، هیستوگرام، پراکندگی، باکس پلات و…)
  • وابستگی  (Correlation)
  • ویژگی های اسمی – باینری
  • عدم شباهت برای داده های عددی
  • معیار کسینوس برای شباهت
• درس سوم: پیش پردازش داده
  • معیارهای کیفیت داده
  • اعمال پیش پردازش (پاک سازی داده، ترکیب و تجمیع، کاهش داده و….)
  • نحوه رسیدگی به داده‌های گم شده
  • داده نویز
  • هموار سازی داده‌ها
  • استراتژی‌های کاهش داده‌ها
• درس چهارم: رگرسیون
  • رگرسیون خطی (تک متغیره، چند متغیره)
  • آزمون‌های تشخیص در رگرسیون یا آزمون فروض کلاسیک (ناهمسانی واریانس، نرمال بودن، خود همبستگی، هم خطی و…)
  • تعداد داده‌های آموزشی و تعمیم‌پذیری در رگرسیون خطی
  • انواع خطا
  • بیش پردازش (Overfitting) و روش‌های اجتناب از آن
• درس پنجم: رگرسیون لجستیک  (Logistic Regression)
  • مرز تصمیم خطی و غیرخطی
  • تابع هزینه
  • الگوریتم گرادیان کاهشی در رگرسیون لجستیک
  • کلاس‌بندی با چند کلاس (یکی در برابر بقیه(
  • تنظیم رگرسیون خطی و رگرسیون لجستیک
  • بایاس و واریانس  (Bias & Variance)
• درس ششم: شبکه عصبی مصنوعی
  • معرفی شبکه‌های عصبی مصنوعی
  • نورون‌های مصنوعی
  • شبکه عصبی پرسپترون چند لایه (MLP)
  • مثال
    • پیش‌بینی داده‌های مالی با شبکه عصبی مصنوعی
    • کلاس‌بندی داده‌های مالی با شبکه عصبی مصنوعی
• درس هفتم: ماشین بردار پشتیبان (Support Vector Machine)
  • مقدمه ای بر بردار
  • ماشین بردار پشتیبان
  • محاسبه اندازه حاشیه
  • بردارهای پشتیبان
  • مساله بهینه‌سازی حداکثر کردن اندازه حاشیه
  • مزایا و معایب  SVM
• درس هشتم: درخت تصمیم (Decision Tree)
  • چند مثال برای درخت تصمیم
  • الگوریتم های ساختن درخت تصمیم
  • بررسی چند مثال
  • بیش برازش ناشی از نویز
  • هرس کردن   (Pruning)
  • مزایا و معایب درخت تصمیم
• درس نهم: دسته‌بندی K نزدیک ترین همسایه (k Nearest Neighbor)
  • معرفی KNN با چند مثال
  • الگوریتم  KNN
  • تکنیک‌های  Instance-Based
  • مرز تصمیم – دیاگرام  Voronoi
  • تاثیر اندازه K در مرز تصمیم
  • معیارهای شباهت
  • استفاده از معیار شباهت کسینوس
  • تاثیر معیار شباهت در مرز تصمیم
  • استراتژی انتخاب  K
  • استفاده از KNN برای پیشگویی عددی
  • استفاده از  K-D Tree
• درس دهم: انتخاب ویژگی (Feature Selection)
  • مقدمه ای بر انتخاب ویژگی
  • روش فیلتر
  • معیار  Mutual information
  • روش دسته‌بندی  Wrapper
  • استراتژی های جستجو
  • آزمون آماری  t
  • انتخاب ویژگی با الگوریتم‌های فراابتکاری
• درس یازدهم: تقلیل ابعاد (Dimension Reduction)
  • مقدمه‌ای بر تقلیل ابعاد
  • تقلیل ابعاد و کاربردهای آن
  • تجسم داده‌ها
  • مقایسه استخراج ویژگی (Feature Extraction) و انتخاب ویژگی (Feature Selection)
  • بررسی چندین مثال برای استخراج ویژگی با روش PCA
  • انتخاب K مناسب
  • کرنل  PCA
• درس دوازدهم: خوشه‌بندی (Clustering)
  • مقایسه آموزش با نظارت با آموزش بدون نظارت
  • کاربردهای خوشه‌بندی
  • خوشه‌بندی افرازی
  • توضیح روش K-means به همراه چند مثال ساده
  • مشکل بهینه محلی
  • انتخاب کلاسترها (روش آرنجی(
  • نقاط قوت و ضعف روش K-means
  • خوشه بندی سلسله مراتبی (تجمعی و تقسیمی(
  • نمودار دندروگرام  (Dendrogram)
  • انتخاب تعداد کلاسترها
• درس سیزدهم: کشف داده‌های پرت
  • داده پرت – نویز
  • انواع داده‌های پرت
    • سراسری
    • جمعی
    • زمینه‌ای
  • روش‌های تشخیص داده های پرت (با نظارت و بدون نظارت)
  • کشف داده‌های پرت (با روش خوشه‌بندی، دسته بندی و هیستوگرام و Box Plot)
• درس چهاردهم: حل تمرین و مثال‌های متعدد در زمینه مالی

به زودی به روز رسانی می‌شود.