Hluboké učení ve financích: základy pro analytiky.
Obsah programu
Hluboké porozumění financím nevzniká přečtením jedné knihy - vzniká strukturovanou prací s daty, modely a reálnými rozhodnutími.
Obsah kurzu
-
Modul 1: Matematické základy pro hluboké učení
Lineární algebra, derivace, gradientní sestup. Proč záleží na inicializaci vah.
-
Modul 2: Neuronové sítě od nuly
Architektura dopředné sítě, aktivační funkce, backpropagation na příkladu úvěrového scoringu.
-
Modul 3: Časové řady a LSTM
Struktura rekurentních sítí, práce s daty cen akcií, predikce volatility.
-
Modul 4: Detekce anomálií v transakcích
Autoencodery, práce s nevyváženými datasety, threshold tuning.
-
Modul 5: Interpretovatelnost modelů
SHAP hodnoty, komunikace výsledků netechnickému publiku, regulatorní kontext.
-
Modul 6: Závěrečný projekt
Každý účastník pracuje na vlastním finančním problému pod vedením mentora.
Podrobný popis
Finanční modely postavené na klasické statistice mají své limity. Neuronové sítě dokážou zachytit nelineární vztahy v datech, které tradiční regrese jednoduše přehlédne.
Tento kurz vás provede praktickými základy hlubokého učení aplikovaného přímo na finanční datasety. Pracujeme s reálnými daty z akciových trhů, úvěrového scoringu a detekce anomálií v transakcích. Každý modul kombinuje teorii s Pythonem a knihovnami TensorFlow a Keras.
Kurz není o tom, že dostanete hotové skripty ke zkopírování. Naučíte se rozumět architekturám sítí, vybírat správné modely pro konkrétní finanční úlohy a interpretovat výsledky způsobem, který obstojí před rizikovým výborem.
Výuka probíhá formou živých online sezení doplněných o samostatnou práci na projektech. Každý účastník odevzdává závěrečný projekt na vlastním datasetu.
Pro koho je kurz určen
Analytici s alespoň základní znalostí Pythonu a statistiky, kteří pracují v bankách, pojišťovnách nebo investičních firmách a narážejí na hranice svých současných nástrojů.
Co budete po kurzu umět
- Navrhnout a natrénovat vícevrstvou neuronovou síť na finančních datech
- Použít LSTM sítě pro analýzu časových řad cen aktiv
- Vyhodnotit model z pohledu obchodní interpretovatelnosti
- Identifikovat přetrénování a správně regularizovat model