This course aims at providing an introductory and broad overview of the field of ML with the focus on applications on Finance. Supervised Machine Learning methods are used in the capstone project to predict bank closures. Simultaneously, while this course can be taken as a separate course, it serves as a preview of topics that are covered in more details in subsequent modules of the specialization Machine Learning and Reinforcement Learning in Finance.
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Machine Learning and Reinforcement Learning in Finance
von
Spezialisierung Machine Learning and Reinforcement Learning in FinanceNew York UniversityÜber diesen Kurs
34,141 kürzliche Aufrufe
Karriereergebnisse der Lernenden
50%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
47%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Ca. 24 Stunden zum Abschließen
Englisch
Untertitel: Englisch, Französisch
Karriereergebnisse der Lernenden
50%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
47%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Ca. 24 Stunden zum Abschließen
Englisch
Untertitel: Englisch, Französisch
von
New York University
Tandon offers comprehensive courses in engineering, applied science and technology. Each course is rooted in a tradition of invention and entrepreneurship.
Lehrplan - Was Sie in diesem Kurs lernen werden
3 Stunden zum Abschließen
Artificial Intelligence & Machine Learning
3 Stunden zum Abschließen
11 Videos (Gesamt 75 min), 3 Lektüren, 1 Quiz
11 Videos
Specialization Objectives8m
Specialization Prerequisites7m
Artificial Intelligence and Machine Learning, Part I6m
Artificial Intelligence and Machine Learning, Part II7m
Machine Learning as a Foundation of Artificial Intelligence, Part I5m
Machine Learning as a Foundation of Artificial Intelligence, Part II7m
Machine Learning as a Foundation of Artificial Intelligence, Part III7m
Machine Learning in Finance vs Machine Learning in Tech, Part I6m
Machine Learning in Finance vs Machine Learning in Tech, Part II6m
Machine Learning in Finance vs Machine Learning in Tech, Part III8m
3 Lektüren
The Business of Artificial Intelligence30m
How AI and Automation Will Shape Finance in the Future30m
A. Geron, “Hands-On Machine Learning with Scikit-Learn and TensorFlow”, Chapter 130m
1 praktische Übung
Module 1 Quiz30m
6 Stunden zum Abschließen
Mathematical Foundations of Machine Learning
6 Stunden zum Abschließen
6 Videos (Gesamt 45 min), 3 Lektüren, 2 Quiz
6 Videos
The No Free Lunch Theorem7m
Overfitting and Model Capacity8m
Linear Regression7m
Regularization, Validation Set, and Hyper-parameters10m
Overview of the Supervised Machine Learning in Finance3m
3 Lektüren
I. Goodfellow, Y. Bengio, A. Courville, “Deep Learning”, Chapters 4.5, 5.1, 5.2, 5.3, 5.41h
Leo Breiman, “Statistical Modeling: The Two Cultures”1h
Jupyter Notebook FAQ10m
1 praktische Übung
Module 2 Quiz15m
6 Stunden zum Abschließen
Introduction to Supervised Learning
6 Stunden zum Abschließen
7 Videos (Gesamt 75 min), 4 Lektüren, 2 Quiz
7 Videos
A First Demo of TensorFlow11m
Linear Regression in TensorFlow10m
Neural Networks11m
Gradient Descent Optimization10m
Gradient Descent for Neural Networks12m
Stochastic Gradient Descent8m
4 Lektüren
A.Geron, “Hands-On ML”, Chapter 9, Chapter 4 (Gradient Descent)1h
E. Fama and K. French, “Size and Book-to-Market Factors in Earnings and Returns”, Journal of Finance, vol. 50, no. 1 (1995), pp. 131-155.15m
J. Piotroski, “Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers”, Journal of Accounting Research, Vol. 38, Supplement: Studies on Accounting Information and the Economics of the Firm (2000), pp. 1-4115m
Jupyter Notebook FAQ10m
1 praktische Übung
Module 3 Quiz15m
10 Stunden zum Abschließen
Supervised Learning in Finance
10 Stunden zum Abschließen
9 Videos (Gesamt 66 min), 4 Lektüren, 3 Quiz
9 Videos
Fundamental Analysis7m
Machine Learning as Model Estimation8m
Maximum Likelihood Estimation10m
Probabilistic Classification Models6m
Logistic Regression for Modeling Bank Failures, Part I8m
Logistic Regression for Modeling Bank Failures, Part II5m
Logistic Regression for Modeling Bank Failures, Part III8m
Supervised Learning: Conclusion2m
4 Lektüren
C. Bishop, “Pattern Recognition and Machine Learning”, Chapters 4.1, 4.2, 4.31h
A. Geron, “Hands-On ML”, Chapters 3, Chapter 4 (Logistic Regression)1h
Jupyter Notebook FAQ10m
Jupyter Notebook FAQ10m
1 praktische Übung
Module 4 Quiz21m
Bewertungen
Top-Bewertungen von GUIDED TOUR OF MACHINE LEARNING IN FINANCE
von KD23. Aug. 2019
Introduction of ML for Financial application with combination of Scikit learn, Statsmodels and Tensorflow with neuralnets made this class very interesting. Learned and Enjoyed lot.
von VB25. Aug. 2018
More or less this course is good and interesting. However, homework assignments were awful. It's unclear and it's very hard to understand what is asked and how it would be graded.
von MS31. Dez. 2018
Despite all the problems with the assignments and the grader this course provides really good overview ML tools and their application to finance. It's definitely worth the effort
von XZ31. Juli 2018
The course content is a mix of theory and practical stuff. One star off is due to the poor quality of programming assignment, i.e., unclear instructions and explanations.
Über den Spezialisierung Machine Learning and Reinforcement Learning in Finance
The main goal of this specialization is to provide the knowledge and practical skills necessary to develop a strong foundation on core paradigms and algorithms of machine learning (ML), with a particular focus on applications of ML to various practical problems in Finance.
The specialization aims at helping students to be able to solve practical ML-amenable problems that they may encounter in real life that include:
(1) mapping the problem on a general landscape of available ML methods,
(2) choosing particular ML approach(es) that would be most appropriate for resolving the problem, and
(3) successfully implementing a solution, and assessing its performance.
The specialization is designed for three categories of students:
· Practitioners working at financial institutions such as banks, asset management firms or hedge funds
· Individuals interested in applications of ML for personal day trading
· Current full-time students pursuing a degree in Finance, Statistics, Computer Science, Mathematics, Physics, Engineering or other related disciplines who want to learn about practical applications of ML in Finance.
The modules can also be taken individually to improve relevant skills in a particular area of applications of ML to finance.
Häufig gestellte Fragen
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
- Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
- Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Wie erfolgen Rückerstattungen?
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine 7-tägige, kostenlose Testversion, die Sie gebührenfrei wieder kündigen können. Danach gewähren wir keine Rückerstattungen mehr, aber Sie können Ihr Abonnement jederzeit kündigen. Lesen Sie unsere vollständige Rückerstattungsrichtlinie.
Ist finanzielle Unterstützung möglich?
Ja, Coursera bietet für Kursteilnehmer, die sich die Kursgebühr nicht leisten können, finanzielle Unterstützung an. Bewerben Sie sich dafür, indem Sie auf den Link für finanzielle Unterstützung links unter der Schaltfläche „Anmelden“ klicken. Sie werden zum Ausfüllen eines Antrags aufgefordert und werden bei Genehmigung benachrichtigt. Diesen Schritt müssen Sie für jeden Kurs der Spezialisierung ausführen, auch für das Abschlussprojekt. Mehr erfahren
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..
