Uczenie maszynowe i sztuczna inteligencja w finansach
Informacje ogólne
Kod przedmiotu: | 232710-D |
Kod Erasmus / ISCED: | (brak danych) / (brak danych) |
Nazwa przedmiotu: | Uczenie maszynowe i sztuczna inteligencja w finansach |
Jednostka: | Szkoła Główna Handlowa w Warszawie |
Grupy: |
Przedmioty kierunkowe do wyboru SMMD-FIR |
Punkty ECTS i inne: |
4.50 (zmienne w czasie)
|
Język prowadzenia: | polski |
Efekty uczenia się: |
Wiedza: Analiza danych stosowana w obszarze finansów. Znajomość głównych charakterystyk algorytmów uczenia maszynowego stosowanych w finansach. Znajomość metod oceny jakości wyników zastosowania algorytmów uczenia maszynowego. Możliwości wspierania decyzji w obszarze finansów cyfrowych Umiejętności: Umiejętność wyboru i zastosowania odpowiedniej metody analizy w praktycznych zagadnieniach finansowych. Umiejętność prowadzenia analizy i przygotowania danych do budowy modeli z wykorzystaniem algorytmów uczenia maszynowego. Umiejętność konstruowania modeli uczenia maszynowego i oceny ich skuteczności. Umiejętność praktycznego wykorzystania zbudowanych modeli w obszarze finansów i interpretacji uzyskanych wyników. Kompetencje społeczne: Umiejętność krótkiego uzasadnienia wyboru metody analizy i algorytmu uczenia maszynowego. Umiejętność przedstawienia krótkiej i ogólnej charakterystyki zastosowanego algorytmu. Umiejętność komunikowania wyników przeprowadzonych analiz różnym grupom odbiorców. Umiejętność wskazania rekomendacji decyzji w obszarze finansów na podstawie przeprowadzonej analizy. |
Zajęcia w cyklu "Preferencje - Semestr letni 2024/25" (jeszcze nie rozpoczęty)
Okres: | 2025-02-15 - 2025-09-30 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Zajęcia prowadzącego
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | Małgorzata Wrzosek | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena
Zajęcia prowadzącego - Ocena |
Zajęcia w cyklu "Semestr letni 2024/25" (jeszcze nie rozpoczęty)
Okres: | 2025-02-15 - 2025-09-30 |
Przejdź do planu
PN WT CW
WYK
ŚR CZ PT |
Typ zajęć: |
Ćwiczenia, 14 godzin
Wykład, 16 godzin
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | Małgorzata Wrzosek | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
Skrócony opis: |
Przedmiot przedstawia metody analizy danych oraz algorytmy uczenia maszynowego i sztucznej inteligencji stosowane w obszarze finansów, z uwzględnieniem zagadnień big data. W trakcie kursu prezentowane są metody uczenia nadzorowanego, w tym parametryczne i nieparametryczne oraz metody uczenia bez nadzoru. Studenci uzyskują przygotowanie do wykorzystania metod uczenia maszynowego w praktycznych zagadnieniach związanych m.in. z doradztwem finansowym, zarządzaniem ryzykiem, wykrywaniem nadużyć, zarządzaniem portfelem czy oceną ryzyka upadłości. Słuchacze zdobywają także wiedzę na temat narzędzi software umożliwiających wykorzystanie omawianych metod. |
|
Pełny opis: |
Przedstawienie możliwości wykorzystania metod uczenia maszynowego i sztucznej inteligencji w finansach. Wskazanie niezbędnych wiadomości i korzyści związanych z wdrożeniem uczenia maszynowego w obszarze finansowym. Nauczenie, jak w praktyce finansowej identyfikować obszary i sytuacje, w których pożądane jest wsparcie procesu podejmowania decyzji przez narzędzia uczenia maszynowego. Nauczenie zrozumienia zasad działania algorytmów uczenia maszynowego oraz umiejętności doboru właściwego algorytmu do rozwiązywanego problemu praktycznego, a także oceny skuteczności jego działania. Przekazanie umiejętności interpretacji uzyskanych wyników analitycznych w języku finansów. Zapoznanie z komputerowymi pakietami umożliwiającymi wykorzystanie narzędzi uczenia maszynowego. |
|
Literatura: |
Literatura podstawowa: de Ponteves H., Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego, Helion, 2021; Szeliga M., Praktyczne uczenie maszynowe, Wydawnictwo Naukowe PWN, 2019; Dixon F., Halperin I., Bilokon P., Machine Learning in Finance. From Theory to Practice, Springer, 2020; Literatura uzupełniająca: Brett L., Machine Learning with R: Expert techniques for predictive modelling, Packt Publishing, 2019; Hall P., An introduction to machine learning interpretability, O'Reilly Media, Incorporated, 2019; Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2009; Molnar C., Interpretable Machine Learning: A guide for making black box model explanaible, 2019; |
|
Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 60.00% egzamin testowy: 0.00% egzamin ustny: 0.00% kolokwium: 20.00% referaty/eseje: 0.00% ocena z ćwiczeń: 0.00% inne: 0.00% projekty: 20.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 0.00% |
Zajęcia w cyklu "Semestr zimowy 2024/25" (w trakcie)
Okres: | 2024-10-01 - 2025-02-14 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Ćwiczenia, 14 godzin
Wykład, 16 godzin
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | (brak danych) | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
Skrócony opis: |
Przedmiot przedstawia metody analizy danych oraz algorytmy uczenia maszynowego i sztucznej inteligencji stosowane w obszarze finansów, z uwzględnieniem zagadnień big data. W trakcie kursu prezentowane są metody uczenia nadzorowanego, w tym parametryczne i nieparametryczne oraz metody uczenia bez nadzoru. Studenci uzyskują przygotowanie do wykorzystania metod uczenia maszynowego w praktycznych zagadnieniach związanych m.in. z doradztwem finansowym, zarządzaniem ryzykiem, wykrywaniem nadużyć, zarządzaniem portfelem czy oceną ryzyka upadłości. Słuchacze zdobywają także wiedzę na temat narzędzi software umożliwiających wykorzystanie omawianych metod. |
|
Pełny opis: |
Przedstawienie możliwości wykorzystania metod uczenia maszynowego i sztucznej inteligencji w finansach. Wskazanie niezbędnych wiadomości i korzyści związanych z wdrożeniem uczenia maszynowego w obszarze finansowym. Nauczenie, jak w praktyce finansowej identyfikować obszary i sytuacje, w których pożądane jest wsparcie procesu podejmowania decyzji przez narzędzia uczenia maszynowego. Nauczenie zrozumienia zasad działania algorytmów uczenia maszynowego oraz umiejętności doboru właściwego algorytmu do rozwiązywanego problemu praktycznego, a także oceny skuteczności jego działania. Przekazanie umiejętności interpretacji uzyskanych wyników analitycznych w języku finansów. Zapoznanie z komputerowymi pakietami umożliwiającymi wykorzystanie narzędzi uczenia maszynowego. |
|
Literatura: |
Literatura podstawowa: de Ponteves H., Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego, Helion, 2021; Szeliga M., Praktyczne uczenie maszynowe, Wydawnictwo Naukowe PWN, 2019; Dixon F., Halperin I., Bilokon P., Machine Learning in Finance. From Theory to Practice, Springer, 2020; Literatura uzupełniająca: Brett L., Machine Learning with R: Expert techniques for predictive modelling, Packt Publishing, 2019; Hall P., An introduction to machine learning interpretability, O'Reilly Media, Incorporated, 2019; Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2009; Molnar C., Interpretable Machine Learning: A guide for making black box model explanaible, 2019; |
|
Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 60.00% egzamin testowy: 0.00% egzamin ustny: 0.00% kolokwium: 20.00% referaty/eseje: 0.00% ocena z ćwiczeń: 0.00% inne: 0.00% projekty: 20.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 0.00% |
Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)
Okres: | 2024-02-24 - 2024-09-30 |
Przejdź do planu
PN WT ŚR CW
WYK
CZ PT |
Typ zajęć: |
Ćwiczenia, 14 godzin
Wykład, 16 godzin
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | Małgorzata Wrzosek | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
Skrócony opis: |
Przedmiot przedstawia metody analizy danych oraz algorytmy uczenia maszynowego i sztucznej inteligencji stosowane w obszarze finansów, z uwzględnieniem zagadnień big data. W trakcie kursu prezentowane są metody uczenia nadzorowanego, w tym parametryczne i nieparametryczne oraz metody uczenia bez nadzoru. Studenci uzyskują przygotowanie do wykorzystania metod uczenia maszynowego w praktycznych zagadnieniach związanych m.in. z doradztwem finansowym, zarządzaniem ryzykiem, wykrywaniem nadużyć, zarządzaniem portfelem czy oceną ryzyka upadłości. Słuchacze zdobywają także wiedzę na temat narzędzi software umożliwiających wykorzystanie omawianych metod. |
|
Pełny opis: |
Przedstawienie możliwości wykorzystania metod uczenia maszynowego i sztucznej inteligencji w finansach. Wskazanie niezbędnych wiadomości i korzyści związanych z wdrożeniem uczenia maszynowego w obszarze finansowym. Nauczenie, jak w praktyce finansowej identyfikować obszary i sytuacje, w których pożądane jest wsparcie procesu podejmowania decyzji przez narzędzia uczenia maszynowego. Nauczenie zrozumienia zasad działania algorytmów uczenia maszynowego oraz umiejętności doboru właściwego algorytmu do rozwiązywanego problemu praktycznego, a także oceny skuteczności jego działania. Przekazanie umiejętności interpretacji uzyskanych wyników analitycznych w języku finansów. Zapoznanie z komputerowymi pakietami umożliwiającymi wykorzystanie narzędzi uczenia maszynowego. |
|
Literatura: |
Literatura podstawowa: de Ponteves H., Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego, Helion, 2021; Szeliga M., Praktyczne uczenie maszynowe, Wydawnictwo Naukowe PWN, 2019; Dixon F., Halperin I., Bilokon P., Machine Learning in Finance. From Theory to Practice, Springer, 2020; Literatura uzupełniająca: Brett L., Machine Learning with R: Expert techniques for predictive modelling, Packt Publishing, 2019; Hall P., An introduction to machine learning interpretability, O'Reilly Media, Incorporated, 2019; Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2009; Molnar C., Interpretable Machine Learning: A guide for making black box model explanaible, 2019; |
|
Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 60.00% egzamin testowy: 0.00% egzamin ustny: 0.00% kolokwium: 20.00% referaty/eseje: 0.00% ocena z ćwiczeń: 0.00% inne: 0.00% projekty: 20.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 0.00% |
Zajęcia w cyklu "Semestr zimowy 2023/24" (zakończony)
Okres: | 2023-10-01 - 2024-02-23 |
Przejdź do planu
PN WT ŚR CZ PT |
Typ zajęć: |
Ćwiczenia, 14 godzin
Wykład, 16 godzin
|
|
Koordynatorzy: | (brak danych) | |
Prowadzący grup: | Małgorzata Wrzosek | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: |
Przedmiot -
Ocena
Wykład - Ocena |
|
Skrócony opis: |
Przedmiot przedstawia metody analizy danych oraz algorytmy uczenia maszynowego i sztucznej inteligencji stosowane w obszarze finansów, z uwzględnieniem zagadnień big data. W trakcie kursu prezentowane są metody uczenia nadzorowanego, w tym parametryczne i nieparametryczne oraz metody uczenia bez nadzoru. Studenci uzyskują przygotowanie do wykorzystania metod uczenia maszynowego w praktycznych zagadnieniach związanych m.in. z doradztwem finansowym, zarządzaniem ryzykiem, wykrywaniem nadużyć, zarządzaniem portfelem czy oceną ryzyka upadłości. Słuchacze zdobywają także wiedzę na temat narzędzi software umożliwiających wykorzystanie omawianych metod. |
|
Pełny opis: |
Przedstawienie możliwości wykorzystania metod uczenia maszynowego i sztucznej inteligencji w finansach. Wskazanie niezbędnych wiadomości i korzyści związanych z wdrożeniem uczenia maszynowego w obszarze finansowym. Nauczenie, jak w praktyce finansowej identyfikować obszary i sytuacje, w których pożądane jest wsparcie procesu podejmowania decyzji przez narzędzia uczenia maszynowego. Nauczenie zrozumienia zasad działania algorytmów uczenia maszynowego oraz umiejętności doboru właściwego algorytmu do rozwiązywanego problemu praktycznego, a także oceny skuteczności jego działania. Przekazanie umiejętności interpretacji uzyskanych wyników analitycznych w języku finansów. Zapoznanie z komputerowymi pakietami umożliwiającymi wykorzystanie narzędzi uczenia maszynowego. |
|
Literatura: |
Literatura podstawowa: de Ponteves H., Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego, Helion, 2021; Szeliga M., Praktyczne uczenie maszynowe, Wydawnictwo Naukowe PWN, 2019; Dixon F., Halperin I., Bilokon P., Machine Learning in Finance. From Theory to Practice, Springer, 2020; Literatura uzupełniająca: Brett L., Machine Learning with R: Expert techniques for predictive modelling, Packt Publishing, 2019; Hall P., An introduction to machine learning interpretability, O'Reilly Media, Incorporated, 2019; Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2009; Molnar C., Interpretable Machine Learning: A guide for making black box model explanaible, 2019; |
|
Uwagi: |
Kryteria oceniania: egzamin tradycyjny-pisemny: 60.00% egzamin testowy: 0.00% egzamin ustny: 0.00% kolokwium: 20.00% referaty/eseje: 0.00% ocena z ćwiczeń: 0.00% inne: 0.00% projekty: 20.00% studia przypadków: 0.00% prezentacje indywidualne lub grupowe: 0.00% |
Właścicielem praw autorskich jest Szkoła Główna Handlowa w Warszawie.