Uniwersytet Warszawski, Wydział Nauk Ekonomicznych - Centralny System Uwierzytelniania
Strona główna

Machine learning in finance and other applications

Informacje ogólne

Kod przedmiotu: 2400-SU2TS66
Kod Erasmus / ISCED: 14.3 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0311) Ekonomia Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Machine learning in finance and other applications
Jednostka: Wydział Nauk Ekonomicznych
Grupy:
Punkty ECTS i inne: (brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.

zobacz reguły punktacji
Język prowadzenia: angielski
Rodzaj przedmiotu:

seminaria magisterskie

Skrócony opis:

Seminarium skierowane jest do studentów zainteresowanych prowadzeniem zaawansowanych badań empirycznych z wykorzystaniem nowoczesnych metod uczenia maszynowego w aplikacjach finansowych lub innych.

Pełny opis:

Seminarium jest skierowane do studentów z dobrą znajomością tradycyjnych modeli regresji (liniowej i logistycznej) i co najmniej średnim doświadczeniem w programowaniu (preferowane R, ale python również mile widziany) zainteresowanych prowadzeniem zaawansowanych badań empirycznych dotyczących aktualnych zagadnień z wykorzystaniem nowoczesnych metody uczenia maszynowego w zastosowaniach finansowych lub innych.

Wykładowca oferuje pomoc w dalszym rozwoju umiejętności analitycznych (uczenia maszynowego) i programowania, oczekiwanych przez przyszłych pracodawców. Możliwy także wspólny artykuł w ekonomicznym czasopiśmie naukowym oparty na przygotowanej pracy magisterskiej.

Seminarium rozpocznie się od omówienia zasad pisania pracy magisterskiej, jej struktury i kompozycji. Zostaną przedstawione alternatywne narzędzia do pisania pracy magisterskiej, ale także artykułów i efektownych prezentacji (LaTeX i RMarkdown) wraz z praktycznymi przykładami. Studenci zapoznają się z kilkoma dostępnymi bazami danych uczenia maszynowego zawierającymi rzeczywiste (duże) dane gotowe do użycia w pracy magisterskiej. Omówione zostaną techniki walidacji krzyżowej modeli i miary oceny jakości modelu. Przedstawione i wyjaśnione zostaną różne algorytmy uczenia maszynowego i ich zastosowanie do modelowania predykcyjnego w zadaniach klasyfikacyjnych i regresyjnych, w tym metoda k-najbliższych sąsiadów, maszyna wektorów nośnych i regresja wektorów nośnych, sieci elastyczne – regresja grzbietowa i LASSO, drzewa decyzyjne i regresyjne, uśrednianie modeli (bagging), lasy losowe, różne algorytmy boostowanych drzew decyzyjnych (w tym xgboost), kilka rodzajów sieci neuronowych, kombinowanie i składanie modeli oraz głębokie sieci neuronowe. Dodatkowo zostaną również wspomniane dodatkowe tematy związane z zarządzaniem zmiennymi i wyborem zmiennych do modelu oraz metodami repróbkowania. Studenci przedstawią i przedyskutują różne zastosowania (finansowe i niefinansowe) modelowania predykcyjnego na podstawie rzeczywistych danych i omówią wyniki wcześniejszych badań. Uczestnicy seminarium zaprezentują również swoje koncepcje badawcze – wybrany temat, ramy badania, hipotezy badawcze, a także wyniki analiz empirycznych i przedyskutują uzyskane wnioski

Literatura:

Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani (2017), “Introduction to statistical learning. With Applications in R”, Springer-Verlag.

Hastie Trevor, Robert Tibshirani and Jerome Friedman (2009), “Elements of statistical learning”, Springer-Verlag.

Kuhn Max, Johnson Kjell (2013), “Applied predictive modelling”, Springer-Verlag.

Wickham Hadley, Grolemund Garrett (2017), “R for Data Science”, O'Reilly Media.

Efekty uczenia się:

Praca magisterska wykorzystujący wybrane algorytmy uczenia maszynowego

KW01, KW02, KW03, KU01, KU02, KU03, KK01, KK02, KK03

Metody i kryteria oceniania:

Studenci przedstawią i przedyskutują różne zastosowania (finansowe i niefinansowe) modelowania predykcyjnego na podstawie rzeczywistych danych i omówią wyniki wcześniejszych badań. Uczestnicy seminarium zaprezentują również swoje koncepcje badawcze – wybrany temat, ramy badania, hipotezy badawcze, a także wyniki analiz empirycznych i przedyskutują uzyskane wnioski.

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.
Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.
ul. Długa 44/50
00-241 Warszawa
tel: +48 22 55 49 126 https://www.wne.uw.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.2.0-1 (2024-03-12)