Machine learning in finance and other applications
Informacje ogólne
Kod przedmiotu: | 2400-SU2TS66 |
Kod Erasmus / ISCED: |
14.3
|
Nazwa przedmiotu: | Machine learning in finance and other applications |
Jednostka: | Wydział Nauk Ekonomicznych |
Grupy: | |
Punkty ECTS i inne: |
(brak)
|
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. |
Właścicielem praw autorskich jest Uniwersytet Warszawski, Wydział Nauk Ekonomicznych.