Đề cương khóa học

Giới thiệu về Machine Learning trong Finance

  • Tổng quan về AI và ML trong ngành tài chính
  • Các loại học máy (học có giám sát, học không giám sát, học tăng cường)
  • Mô hình thực tế trong phát hiện gian lận, xếp hạng tín dụng, và mô hình hóa rủi ro

Python và Cơ bản về Xử lý Dữ liệu

  • Sử dụng Python để thao tác dữ liệu và phân tích
  • Khám phá tập dữ liệu tài chính bằng cách sử dụng Pandas và NumPy
  • Trực quan hóa dữ liệu sử dụng Matplotlib và Seaborn

Supervised Learning cho Dự đoán Tài chính

  • Phân tích hồi quy tuyến tính và hồi quy logistic
  • Cây quyết định và rừng ngẫu nhiên
  • Đánh giá hiệu suất mô hình (độ chính xác, độ chính xác, tỷ lệ hồi phục, AUC)

Unsupervised Learning và Phát hiện Khác Biệt

  • Kỹ thuật phân cụm (K-means, DBSCAN)
  • Phân tích thành phần chính (PCA)
  • Phát hiện ngoại lệ để ngăn ngừa gian lận

Xếp hạng Tín dụng và Mô hình Rủi ro

  • Xây dựng mô hình xếp hạng tín dụng sử dụng hồi quy logistic và thuật toán dựa trên cây
  • Xử lý tập dữ liệu không cân bằng trong các ứng dụng rủi ro
  • Giải thích và công bằng của mô hình trong quyết định tài chính

Phát hiện Gian lận với Machine Learning

  • Các loại gian lận tài chính phổ biến
  • Sử dụng thuật toán phân loại để phát hiện khác biệt
  • Chiến lược đánh giá và triển khai thời gian thực

Triển Khai Mô hình và Đạo đức trong AI Tài chính

  • Triển khai mô hình với Python, Flask hoặc nền tảng đám mây
  • Xem xét đạo đức và tuân thủ quy định (ví dụ: GDPR, giải thích)
  • Giám sát và huấn luyện lại mô hình trong môi trường sản xuất

Tổng kết và Bước tiếp theo

Yêu cầu

  • Hiểu biết về thống kê cơ bản và khái niệm tài chính
  • Kinh nghiệm sử dụng Excel hoặc các công cụ phân tích dữ liệu khác
  • Kiến thức lập trình cơ bản (ưu tiên trong Python)

Đối tượng tham gia

  • Nhà phân tích tài chính
  • Actuary
  • Giám đốc rủi ro
 21 Giờ học

Số người tham gia


Giá cho mỗi người tham gia

Đánh giá (1)

Các khóa học sắp tới

Các danh mục liên quan