Uczenie maszynowe i sztuczna inteligencja w finansach

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.

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 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;

Kryteria oceniania:

egzamin testowy (Test - 15 pytań zamkniętych): 60.00%

egzamin ustny: 0.00%

referaty/eseje: 0.00%

inne: 0.00%

projekty (projekt w grupie 2-3 osób): 40.00%

studia przypadków: 0.00%

prezentacje indywidualne lub grupowe: 0.00%

Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów)

wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 50%

Szczegółowe warunki zaliczenia:

Studenci, którzy w usprawiedliwiony sposób nie mogli uczestniczyć w zajęciach realizują wszystkie elementy zaliczenia w ustalonym indywidualnie terminie, po opanowaniu wymaganego materiału.

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.

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 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;

Kryteria oceniania:

egzamin testowy (Test - 15 pytań zamkniętych): 60.00%

egzamin ustny: 0.00%

referaty/eseje: 0.00%

inne: 0.00%

projekty (projekt w grupie 2-3 osób): 40.00%

studia przypadków: 0.00%

prezentacje indywidualne lub grupowe: 0.00%

Odsetek nieobecności, powyżej którego nie zalicza się przedmiotu (nie dot. wykładów)

wyrażony odsetkiem godzin, powyżej którego wyklucza się osiągnięcie efektów uczenia się: 50%

Szczegółowe warunki zaliczenia:

Studenci, którzy w usprawiedliwiony sposób nie mogli uczestniczyć w zajęciach realizują wszystkie elementy zaliczenia w ustalonym indywidualnie terminie, po opanowaniu wymaganego materiału.

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.

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 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;

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.

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 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;