دسترسی کامل به طرح های یادگیری ماشین و علوم داده برای امور مالی و 60K+ عناوین دیگر ، با یک آزمایش 10 روزه رایگان O'Reilly.

همچنین رویدادهای زنده ، دوره هایی که توسط نقش شغلی و موارد دیگر تنظیم شده اند وجود دارد.

فصل 1. یادگیری ماشین در امور مالی: منظره

یادگیری ماشین نوید بخش بزرگی از امور مالی را تکان می دهد

اقتصاددان (2017)

موج جدیدی از یادگیری ماشین و علوم داده در امور مالی وجود دارد و برنامه های مرتبط با آن صنعت را طی چند دهه آینده تغییر می دهد.

در حال حاضر ، بیشتر بنگاه های مالی ، از جمله صندوق های تامینی ، بانک های سرمایه گذاری و خرده فروشی و شرکت های FinTech ، در یادگیری ماشین به شدت در حال اتخاذ و سرمایه گذاری هستند. با پیشروی ، موسسات مالی به تعداد فزاینده ای از کارشناسان یادگیری ماشین و علوم داده نیاز دارند.

یادگیری ماشین در امور مالی اخیراً به دلیل در دسترس بودن مقادیر زیادی از داده ها و قدرت محاسبات مقرون به صرفه تر برجسته تر شده است. استفاده از علوم داده و یادگیری ماشین به صورت نمایی در همه زمینه های مالی منفجر می شود.

موفقیت یادگیری ماشین در امور مالی به زیرساخت های کارآمد ، استفاده از ابزار صحیح و استفاده از الگوریتم های مناسب بستگی دارد. مفاهیم مربوط به این بلوک های ساختمانی یادگیری ماشین در امور مالی در طول این کتاب نشان داده شده و مورد استفاده قرار می گیرد.

در این فصل ، ما مقدمه ای را برای کاربرد فعلی و آینده یادگیری ماشین در امور مالی ارائه می دهیم ، از جمله مروری کوتاه از انواع مختلف یادگیری ماشین. این فصل و دو مورد که به دنبال آن هستند به عنوان پایه و اساس مطالعات موردی ارائه شده در بقیه کتاب خدمت می کنند.

برنامه های یادگیری ماشین فعلی و آینده در امور مالی

بگذارید نگاهی به برخی از برنامه های امیدوار کننده یادگیری ماشین در امور مالی بیندازیم. مطالعات موردی ارائه شده در این کتاب کلیه برنامه های ذکر شده در اینجا را پوشش می دهد.

تجارت الگوریتمی

تجارت الگوریتمی (یا به سادگی تجارت ALGO) استفاده از الگوریتم ها برای انجام معاملات به صورت خودمختار است. با بازگشت منشاء به دهه 1970 ، تجارت الگوریتمی (که گاهی اوقات سیستم های معاملاتی خودکار نامیده می شوند ، که مطمئناً توضیحی دقیق تر است) شامل استفاده از دستورالعمل های معاملاتی از پیش برنامه ریزی شده از پیش برنامه ریزی شده برای تصمیم گیری های معاملاتی بسیار سریع و عینی است.

یادگیری ماشین برای فشار آوردن تجارت الگوریتمی به سطوح جدید است. نه تنها می توان از استراتژی های پیشرفته تر در زمان واقعی استفاده و سازگار شد ، بلکه تکنیک های مبتنی بر یادگیری ماشین می توانند راه های بیشتری را برای به دست آوردن بینش ویژه در مورد حرکات بازار ارائه دهند. بیشتر صندوق های پرچین و موسسات مالی آشکارا رویکردهای مبتنی بر یادگیری ماشین خود را برای تجارت (به دلایل خوب) فاش نمی کنند ، اما یادگیری ماشین نقش مهمی در کالیبراسیون تصمیمات تجاری در زمان واقعی دارد.

مدیریت نمونه کارها و مشاوران روبو

شرکت های دارایی و مدیریت ثروت در حال بررسی راه حل های بالقوه هوش مصنوعی (AI) برای بهبود تصمیمات سرمایه گذاری خود و استفاده از Troves از داده های تاریخی هستند.

یک نمونه از این استفاده از مشاوران روبو ، الگوریتم هایی است که برای کالیبراسیون یک سبد مالی به اهداف و تحمل ریسک کاربر ساخته شده اند. علاوه بر این ، آنها راهنمایی و خدمات مالی خودکار را برای پایان دادن به سرمایه گذاران و مشتریان ارائه می دهند.

یک کاربر برای بازنشستگی در 65 سالگی با 250،000 دلار پس انداز) ، سن ، درآمد و دارایی های مالی فعلی وارد اهداف مالی خود می شود. مشاور (تخصیص دهنده) سپس برای رسیدن به اهداف کاربر ، سرمایه گذاری ها را در کلاس های دارایی و ابزارهای مالی گسترش می دهد.

سپس این سیستم به تغییر در اهداف کاربر و تغییرات در زمان واقعی در بازار کالیبراسیون می کند ، و هدف همیشه این است که بهترین مناسب برای اهداف اصلی کاربر را پیدا کند. مشاوران Robo در بین مصرف کنندگان که به یک مشاور انسانی احتیاج ندارند ، برای احساس سرمایه گذاری راحت ، کشش قابل توجهی به دست آورده اند.

تشخیص تقلب

کلاهبرداری یک مشکل گسترده برای موسسات مالی و یکی از مهمترین دلایل استفاده از یادگیری ماشین در امور مالی است.

در حال حاضر به دلیل قدرت محاسبات زیاد ، استفاده مکرر در اینترنت و تعداد فزاینده ای از داده های شرکت به صورت آنلاین ، یک خطر امنیتی قابل توجهی وجود دارد. در حالی که سیستم های قبلی تشخیص کلاهبرداری مالی به مجموعه های پیچیده و قوی از قوانین بستگی دارد ، تشخیص کلاهبرداری مدرن فراتر از یک لیست چک از عوامل خطر است - این به طور فعال می آموزد و به تهدیدهای امنیتی جدید (یا واقعی) کالیبره می شود.

یادگیری ماشینی برای مبارزه با معاملات مالی کلاهبرداری مناسب است. این امر به این دلیل است که سیستم های یادگیری ماشین می توانند از طریق مجموعه داده های وسیع ، فعالیت های غیرمعمول را تشخیص دهند و فوراً آنها را پرچم گذاری کنند. با توجه به اینکه تعداد زیادی از راه های نقض امنیت می توان از آنها نقض شد ، سیستم های یادگیری واقعی ماشین در روزهای آینده یک ضرورت مطلق خواهند بود.

وام/کارت اعتباری/بیمه نامه

زیرنویس را می توان به عنوان یک کار مناسب برای یادگیری ماشین در امور مالی توصیف کرد ، و در واقع نگرانی زیادی در این صنعت وجود دارد که ماشین ها جایگزین بخش بزرگی از مواضع زیر نویس که امروزه وجود دارد.

به خصوص در شرکت های بزرگ (بانک های بزرگ و بنگاه های بیمه ای با تجارت عمومی) ، الگوریتم های یادگیری ماشین می توانند در مورد میلیون ها نمونه از داده های مصرف کننده و وام های مالی یا نتایج بیمه ، از جمله اینکه شخص پیش فرض وام یا وام خود را پیش فرض می کند ، آموزش داده شود.

روند مالی اساسی را می توان با الگوریتم ها ارزیابی کرد و به طور مداوم مورد تجزیه و تحلیل قرار گرفت تا روندهایی را که ممکن است در آینده بر وام دهی و ریسک تأثیر بگذارد ، مورد تجزیه و تحلیل قرار دهد. الگوریتم ها می توانند وظایف خودکار مانند تطبیق سوابق داده ، شناسایی استثنائات و محاسبه اینکه آیا متقاضی واجد شرایط برای یک محصول اعتباری یا بیمه است ، انجام دهند.

اتوماسیون و چت بابات

اتوماسیون کاملاً مناسب برای تأمین مالی است. این فشار را کاهش می دهد که کارهای تکراری و کم ارزش برای کارمندان انسانی انجام می شود. این روند روال و روزمره را برطرف می کند و تیم ها را آزاد می کند تا کار با ارزش بالا را به پایان برساند. با انجام این کار ، باعث صرفه جویی در وقت و هزینه بسیار زیاد می شود.

اضافه کردن یادگیری ماشین و هوش مصنوعی به ترکیب اتوماسیون ، سطح دیگری از پشتیبانی از کارمندان را اضافه می کند. با دسترسی به داده های مربوطه ، یادگیری ماشین و هوش مصنوعی می توانند تجزیه و تحلیل داده های عمیق را برای پشتیبانی از تیم های مالی با تصمیمات دشوار ارائه دهند. در بعضی موارد ، حتی ممکن است بتواند بهترین اقدامات را برای تأیید و تصویب کارمندان توصیه کند.

هوش مصنوعی و اتوماسیون در بخش مالی همچنین می توانند یاد بگیرند که خطاها را تشخیص دهند و زمان هدر رفته بین کشف و وضوح را کاهش می دهد. این بدان معناست که اعضای تیم انسانی در تهیه گزارش های خود کمتر به تأخیر می افتند و قادر به انجام کار خود با خطاهای کمتری هستند.

chatbots AI می تواند برای حمایت از مشتریان مالی و بانکی اجرا شود. با افزایش محبوبیت نرم افزار چت زنده در مشاغل بانکی و مالی ، چت بابات تکامل طبیعی است.

مدیریت ریسک

تکنیک های یادگیری ماشین در حال تغییر نحوه نزدیک شدن به مدیریت ریسک هستند. تمام جنبه های درک و کنترل خطر از طریق رشد راه حل های ناشی از یادگیری ماشین ، انقلابی می شود. مثالها از تصمیم گیری در مورد میزان بانک باید مشتری را به بهبود انطباق و کاهش ریسک مدل وام دهد.

پیش بینی قیمت دارایی

پیش بینی قیمت دارایی بیشترین بحث و پیشرفته ترین منطقه در امور مالی در نظر گرفته می شود. پیش بینی قیمت دارایی به فرد امکان می دهد عواملی را که باعث ایجاد بازار می شود و عملکرد دارایی را حدس می زند ، درک کند. به طور سنتی ، پیش بینی قیمت دارایی با تجزیه و تحلیل گزارش های مالی گذشته و عملکرد بازار انجام شد تا مشخص شود چه موقعیتی را برای یک طبقه امنیتی یا دارایی خاص انتخاب می کند. با این حال ، با افزایش چشمگیر در میزان داده های مالی ، رویکردهای سنتی برای تجزیه و تحلیل و استراتژی های انتخاب سهام با تکنیک های مبتنی بر ML تکمیل می شوند.

قیمت گذاری مشتق

موفقیت های اخیر یادگیری ماشین ، و همچنین سرعت سریع نوآوری ، نشان می دهد که برنامه های ML برای قیمت گذاری مشتقات باید در سالهای آینده به طور گسترده ای مورد استفاده قرار گیرند. دنیای مدل های سیاه و سفید ، لبخندهای نوسانات و مدل های صفحه گسترده اکسل باید از بین بروند زیرا روشهای پیشرفته تر به راحتی در دسترس قرار می گیرند.

مدل های قیمت گذاری مشتق کلاسیک بر روی چندین فرض غیر عملی برای بازتولید رابطه تجربی بین داده های ورودی اساسی (قیمت اعتصاب ، زمان به بلوغ ، نوع گزینه) و قیمت مشتقات مشاهده شده در بازار ساخته شده است. روشهای یادگیری ماشین به فرضیه های مختلفی متکی نیستند. آنها فقط سعی می کنند عملکردی بین داده های ورودی و قیمت را تخمین بزنند و تفاوت بین نتایج مدل و هدف را به حداقل برسانند.

زمان استقرار سریعتر با ابزارهای پیشرفته ML فقط یکی از مزایایی است که باعث تسریع در استفاده از یادگیری ماشین در قیمت گذاری مشتقات می شود.

تجزیه و تحلیل احساسات

تجزیه و تحلیل احساسات شامل تجاوز حجم عظیم داده های بدون ساختار ، مانند فیلم ها ، رونوشت ها ، عکس ها ، پرونده های صوتی ، پست های رسانه های اجتماعی ، مقالات و اسناد تجاری برای تعیین احساسات بازار است. تجزیه و تحلیل احساسات برای همه مشاغل در محل کار امروز بسیار مهم است و نمونه ای عالی از یادگیری ماشین در امور مالی است.

متداول ترین استفاده از تجزیه و تحلیل احساسات در بخش مالی ، تجزیه و تحلیل اخبار مالی است - به ویژه ، پیش بینی رفتارها و روندهای احتمالی بازارها. بورس سهام در پاسخ به عوامل بیشماری مربوط به انسان حرکت می کند ، و امید این است که یادگیری ماشین با کشف روندهای جدید و گفتن سیگنال ها بتواند شهود انسان را در مورد فعالیت های مالی تکرار و تقویت کند.

با این حال ، بخش اعظم برنامه های آینده یادگیری ماشین در درک رسانه های اجتماعی ، روندهای خبری و سایر منابع داده مربوط به پیش بینی احساسات مشتریان به سمت تحولات بازار خواهد بود. این محدود به پیش بینی قیمت سهام و معاملات نخواهد بود.

تسویه حساب

تسویه حساب تجارت روند انتقال اوراق بهادار به حساب خریدار و پول نقد به حساب فروشنده به دنبال معامله دارایی مالی است.

با وجود اکثر معاملات به طور خودکار تسویه حساب می شوند و با تعامل اندک یا بدون تعامل توسط انسان ، حدود 30 ٪ از معاملات باید به صورت دستی تسویه حساب شوند.

استفاده از یادگیری ماشین نه تنها می تواند دلیل معاملات ناموفق را مشخص کند ، بلکه می تواند تجزیه و تحلیل کند که چرا معاملات رد شده ، راه حل ارائه می دهند و پیش بینی می کنند که تجارت ممکن است در آینده شکست بخورد. آنچه که معمولاً پنج تا ده دقیقه از آن برای رفع یک انسان طول می کشد ، یادگیری ماشین می تواند در کسری از ثانیه انجام دهد.

پول شویی

گزارش سازمان ملل متحد تخمین می زند که میزان پولشویی در سراسر جهان در سال 2 ٪ 5 ٪ از تولید ناخالص داخلی جهانی است. تکنیک های یادگیری ماشین می توانند داده های داخلی ، عمومی موجود و معامله را از شبکه گسترده تر مشتری در تلاش برای کشف علائم پولشویی تجزیه و تحلیل کنند.

یادگیری ماشین ، یادگیری عمیق ، هوش مصنوعی و علوم داده

برای اکثر مردم ، اصطلاحات یادگیری ماشین ، یادگیری عمیق ، هوش مصنوعی و علم داده گیج کننده است. در حقیقت ، بسیاری از افراد از یک اصطلاح به طور متناوب با دیگران استفاده می کنند.

شکل 1-1 روابط بین هوش مصنوعی ، یادگیری ماشین ، یادگیری عمیق و علم داده را نشان می دهد. یادگیری ماشین زیر مجموعه ای از هوش مصنوعی است که از تکنیک هایی تشکیل شده است که رایانه ها را قادر می سازد تا الگوهای موجود در داده ها را شناسایی کرده و برنامه های هوش مصنوعی را ارائه دهند. در عین حال ، یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است که رایانه ها را قادر می سازد تا مشکلات پیچیده تری را حل کنند.

علم داده دقیقاً زیر مجموعه ای از یادگیری ماشین نیست ، اما از یادگیری ماشین ، یادگیری عمیق و هوش مصنوعی برای تجزیه و تحلیل داده ها و دستیابی به نتیجه گیری های عملی استفاده می کند. این ترکیب یادگیری ماشین ، یادگیری عمیق و هوش مصنوعی با سایر رشته ها مانند تجزیه و تحلیل داده های بزرگ و محاسبات ابری است.

در زیر خلاصه ای از جزئیات مربوط به هوش مصنوعی ، یادگیری ماشین ، یادگیری عمیق و علوم داده است:

هوش مصنوعی زمینه مطالعه است که توسط آن یک کامپیوتر (و سیستم های آن) توانایی انجام موفقیت آمیز کارهای پیچیده را که معمولاً به هوش انسانی نیاز دارند ، توسعه می دهد. این کارها شامل درک بصری ، تشخیص گفتار ، تصمیم گیری و ترجمه بین زبانها محدود نمی شود. هوش مصنوعی معمولاً به عنوان علم ساختن رایانه ها کارهایی انجام می شود که هنگام انجام توسط انسان نیاز به هوش دارند.

یادگیری ماشین کاربردی از هوش مصنوعی است که سیستم هوش مصنوعی را در اختیار شما قرار می دهد تا به طور خودکار از محیط زیست یاد بگیرد و از آن درسها برای تصمیم گیری بهتر استفاده کند. الگوریتم های متنوعی وجود دارد که یادگیری ماشین برای یادگیری ، توصیف و بهبود داده ها ، الگوهای نقطه ای و سپس انجام اقدامات در این الگوهای استفاده می کند.

یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است که شامل مطالعه الگوریتم های مربوط به شبکه های عصبی مصنوعی است که حاوی بلوک های زیادی (یا لایه ها) است که روی یکدیگر جمع شده اند. طراحی مدل های یادگیری عمیق از شبکه عصبی بیولوژیکی مغز انسان الهام گرفته شده است. این تلاش برای تجزیه و تحلیل داده ها با یک ساختار منطقی شبیه به نحوه نتیجه گیری یک انسان است.

علم داده ها یک زمینه میان رشته ای شبیه به داده کاوی است که از روشها ، فرآیندهای علمی ، فرآیندها و سیستم ها برای استخراج دانش یا بینش از داده ها به اشکال مختلف ، ساخت یافته یا بدون ساختار استفاده می کند. علم داده با ML و AI متفاوت است زیرا هدف آن کسب بینش و درک داده ها با استفاده از ابزارها و تکنیک های مختلف علمی است. با این حال ، چندین ابزار و تکنیک مشترک هم برای ML و هم برای علم داده وجود دارد که برخی از آنها در این کتاب نشان داده شده است.

انواع یادگیری ماشین

در این بخش انواع یادگیری ماشین که در مطالعات موردی مختلف ارائه شده در این کتاب برای برنامه های مختلف مالی استفاده می شود ، بیان خواهد شد. سه نوع یادگیری ماشین ، همانطور که در شکل 1-2 نشان داده شده است ، تحت نظارت یادگیری ، یادگیری بدون نظارت و یادگیری تقویت شده است.

تحت نظارت

هدف اصلی در یادگیری تحت نظارت ، آموزش یک مدل از داده های دارای برچسب است که به ما امکان می دهد پیش بینی هایی راجع به داده های غیب یا آینده انجام دهیم. در اینجا ، اصطلاح تحت نظارت به مجموعه ای از نمونه ها اشاره دارد که در آن سیگنال های خروجی مورد نظر (برچسب ها) از قبل شناخته شده اند. دو نوع الگوریتم یادگیری تحت نظارت وجود دارد: طبقه بندی و رگرسیون.

طبقه بندی

طبقه بندی زیر مجموعه ای از یادگیری تحت نظارت است که در آن هدف پیش بینی برچسب های طبقه ای از موارد جدید بر اساس مشاهدات گذشته است.

پسرفت

رگرسیون یکی دیگر از زیر مجموعه های یادگیری تحت نظارت است که در پیش بینی نتایج مداوم مورد استفاده قرار می گیرد. در رگرسیون ، به ما تعدادی از متغیرهای پیش بینی کننده (توضیحی) و متغیر پاسخ مداوم (نتیجه یا هدف) داده می شود و سعی می کنیم بین آن متغیرها رابطه ای پیدا کنیم که به ما امکان پیش بینی نتیجه را می دهد.

نمونه ای از رگرسیون در مقابل طبقه بندی در شکل 1-3 نشان داده شده است. نمودار در سمت چپ نمونه ای از رگرسیون را نشان می دهد. متغیر پاسخ مداوم بازگشت است و مقادیر مشاهده شده در برابر نتایج پیش بینی شده ترسیم می شوند. در سمت راست ، نتیجه یک برچسب کلاس طبقه ای است ، خواه بازار گاو نر باشد یا خرس ، و نمونه ای از طبقه بندی است.

نظارت نشده

یادگیری بدون نظارت نوعی از یادگیری ماشین است که برای ترسیم استنتاج از مجموعه داده های متشکل از داده های ورودی بدون پاسخ برچسب استفاده می شود. دو نوع یادگیری بدون نظارت وجود دارد: کاهش ابعاد و خوشه بندی.

کاهش ابعاد

کاهش ابعاد فرایند کاهش تعداد ویژگی ها یا متغیرها در یک مجموعه داده ضمن حفظ اطلاعات و عملکرد کلی مدل است. این یک روش متداول و قدرتمند برای مقابله با مجموعه داده هایی است که تعداد زیادی ابعاد دارند.

شکل 1-4 این مفهوم را نشان می دهد ، جایی که ابعاد داده از دو بعد تبدیل می شود (x₁و x₂) به یک بعد (Z₁ ). Z₁اطلاعات مشابه تعبیه شده در x را منتقل می کند₁و x₂و ابعاد داده ها را کاهش می دهد.

خوشه

خوشه بندی زیر مجموعه ای از تکنیک های یادگیری بدون نظارت است که به ما امکان می دهد ساختارهای پنهان را در داده ها کشف کنیم. هدف از خوشه بندی یافتن یک گروه بندی طبیعی در داده ها است به طوری که موارد موجود در همان خوشه بیشتر به یکدیگر شبیه به مواردی از خوشه های مختلف باشند.

نمونه ای از خوشه بندی در شکل 1-5 نشان داده شده است ، جایی که می توانیم کل داده های خوشه بندی شده در دو گروه مجزا توسط الگوریتم خوشه بندی را مشاهده کنیم.

یادگیری تقویت کننده

یادگیری از تجربیات ، و پاداش یا مجازات های مرتبط ، مفهوم اصلی یادگیری تقویت (RL) است. این در مورد اقدامات مناسب برای به حداکثر رساندن پاداش در یک وضعیت خاص است. سیستم یادگیری ، به نام یک عامل ، می تواند محیط را رعایت کند ، اقدامات را انتخاب و انجام دهد و در عوض ، همانطور که در شکل 1-6 نشان داده شده است ، پاداش (یا مجازات ها به صورت پاداش های منفی) دریافت کند.

یادگیری تقویت کننده با یادگیری تحت نظارت از این طریق متفاوت است: در یادگیری تحت نظارت ، داده های آموزش دارای کلید پاسخ است ، بنابراین مدل با پاسخ های صحیح موجود آموزش داده می شود. در یادگیری تقویت ، هیچ پاسخ صریح وجود ندارد. سیستم یادگیری (عامل) تصمیم می گیرد که برای انجام کار داده شده چه کاری انجام دهد و می آموزد که آیا این یک عمل صحیح مبتنی بر پاداش بوده است یا خیر. الگوریتم کلید پاسخ را از طریق تجربه خود تعیین می کند.

مراحل یادگیری تقویت به شرح زیر است:

1. اول ، عامل با انجام یک عمل با محیط در تعامل است.
2. سپس نماینده بر اساس عملی که انجام داد ، پاداش دریافت می کند.
3. براساس پاداش ، عامل مشاهده ای را دریافت می کند و می فهمد که آیا این عمل خوب است یا بد. اگر این عمل خوب بود - یعنی اگر نماینده پاداش مثبت دریافت کرد - آنگاه نماینده ترجیح می دهد این عمل را انجام دهد. اگر پاداش کمتر مطلوب باشد ، نماینده سعی می کند یک عمل دیگر را برای دریافت پاداش مثبت انجام دهد. این اساساً یک فرایند یادگیری آزمایش و خطا است.

پردازش زبان طبیعی

پردازش زبان طبیعی (NLP) شاخه ای از هوش مصنوعی است که به مشکلات ساخت یک دستگاه می پردازد ساختار و معنای زبان طبیعی را که توسط انسان استفاده می شود ، درک می کند. چندین تکنیک یادگیری ماشین و یادگیری عمیق در NLP استفاده می شود.

NLP در مناطقی مانند تجزیه و تحلیل احساسات ، چت بابات و پردازش اسناد کاربردهای بسیاری در بخش های مالی دارد. اطلاعات زیادی مانند گزارش های جانبی فروش ، تماس با درآمد و عناوین روزنامه از طریق پیام متنی ابلاغ می شود و NLP را در حوزه مالی بسیار مفید می کند.

با توجه به کاربرد گسترده الگوریتم های NLP مبتنی بر یادگیری ماشین در امور مالی ، یک فصل جداگانه از این کتاب (فصل 10) اختصاص داده شده به NLP و مطالعات موردی مرتبط وجود دارد.

خلاصه ی فصل

یادگیری ماشینی در تمام عمودی صنعت خدمات مالی باعث ایجاد مسافت های قابل توجهی می شود. در این فصل برنامه های مختلفی از یادگیری ماشین در امور مالی ، از تجارت الگوریتمی گرفته تا مشاورین روبو را شامل می شود. این برنامه ها بعداً در این کتاب در مطالعات موردی پوشش داده می شوند.

مراحل بعدی

از نظر سیستم عامل های مورد استفاده برای یادگیری ماشین ، اکوسیستم پایتون در حال رشد است و یکی از مهمترین زبان های برنامه نویسی برای یادگیری ماشین است. در فصل بعد ، ما در مورد مراحل توسعه مدل ، از آماده سازی داده ها گرفته تا مدل استقرار در یک چارچوب مبتنی بر پایتون ، آشنا خواهیم شد.

با استفاده از پلت فرم یادگیری O'Reilly ، طرح های یادگیری ماشین و علوم داده را برای امور مالی دریافت کنید.

اعضای O'Reilly کتاب ، رویدادهای زنده ، دوره هایی را که توسط نقش شغلی و موارد دیگر از O'Reilly و نزدیک به 200 ناشر برتر استفاده می شود ، تجربه می کنند.