Đây là khóa học nền tảng chuẩn bị cho người học các kiến thức Python và scikit-learn của các kỹ thuật cơ bản trong supervised learning và unsupervised learning. Người học với chuyên môn về Kinh tế, Tài chính, Khoa học xã hội dễ dàng tiếp cận với khóa học này khi muốn chuyển ngành hoặc theo đuổi lĩnh vực Khoa học dữ liệu. Người học với chuyên môn về Công nghệ có thể tiếp cận các ứng dụng cơ bản trong Kinh tế và Tài chính.
Giảng viên: Nguyễn Chí Kiên
 |
Tiến sĩ Kỹ thuật điện và máy tính tại Đại học Illinois ở Urbana-Champaign, Hoa Kỳ. Ông có nhiều năm kinh nghiệm làm việc với tư cách là Senior Software Engineer trong nhóm FX và Fixed income ở Bloomberg, Trust Circle. TS Nguyễn Chí Kiên hiện là Data Scientist tại Trusting Social. Không chỉ là chuyên gia về AI, machine learning và an ninh mạng, Ông còn có nhiều nghiên cứu ứng dụng lý thuyết trò chơi, xác suất thống kê, tài chính định lượng. TS Kiên là một trong số ít các chuyên gia AI của Việt Nam am hiểu sâu về tài chính, Fintech.
|
Kỹ năng mục tiêu
Sau khi hoàn thành khóa học, người học có thể
1. Sử dụng Python và scikit-learn để xử lý, tính toán số liệu thống kê và trình bày bảng dữ liệu
2. Sử dụng Python và scikit-learn để thực hiện các kỹ thuật cơ bản trong supervised learning và unsupervised learning đối với các vấn đề về kinh tế và tài chính
3. Sử dụng Python và scikit-learn để thực hiện phân loại và hồi quy sử dụng mạng thần kinh (neural networks) cho các vấn đề về kinh tế và tài chính
4. Hiểu được nền tảng toán học của các kỹ thuật cơ bản trong supervised learning và unsupervised learning
5.
Đủ kiến thức để tham gia các khóa học: ML nâng cao và Data science chuyên sâu
Ai nên tham dự khóa học
- Các bạn đang tìm hiểu về khoa học dữ liệu và áp dụng các kiến thức cơ bản về machine learning phục vụ việc phân tích dữ liệu hay khám phá dữ liệu
- Giảng viên, nghiên cứu viên
- Học viên cao học - Nghiên cứu sinh.
Đầu vào
- Có kỹ năng tin học cơ bản, kiến thức cơ bản về giải tích, đại số tuyến tính, xác suất.
- Có máy tính cá nhân để thực hành trên phần mềm.
Vì sao học tại Viện Nghiên cứu Phát triển công nghệ ngân hàng – Trường Đại học Kinh tế - Luật
- Giảng viên có kinh nghiệm, nhiệt tình
- Bài giảng kết hợp giữa lý thuyết và thực hành trên Python và bài tập ứng dụng trong kinh tế và tài chính
Địa điểm học: Cơ sở của trường Đại học Kinh tế - Luật, 45 Đinh Tiên Hoàng, Phường Đa Kao, Quận 1.
Thời gian học:
14h00 – 17h00 thứ bảy hằng tuần
(Từ 08/02/2020 đến 14/3/2020)
Khai giảng dự kiến: 08/02/2020
Học phí:
3.000.000 đồng/học viên
- Giảm 100% cho CBGV Trường Đại học Kinh tế-Luật
- Giảm 50% cho NCS, HVCH, SV trường Đại học Kinh tế-Luật
- Giảm 25% cho CBGV, NCS, HVCH, SV các trường thành viên ĐHQG-HCM
- Giảm 15% cho HV đăng ký trước ngày 15/1/2020.
Đăng ký khóa học: đến hết ngày 3/2/2020 qua
- Link:
https://forms.gle/6UbaJa32MZpZTyE88
- Email: ibt@uel.edu.vn;
- Điện thoại: 0968309805 (gặp cô Ngân).
Số lượng học viên tối đa: 35 học viên, ưu tiên đăng ký sớm.
Học viên được cấp Chứng chỉ sau khi hoàn thành khóa học từ Viện Nghiên cứu phát triển công nghệ ngân hàng - Trường Đại học Kinh tế - Luật.
Format
-Six 3-hour sessions
-Each session consists of the theory part (30 minutes - 1 hour), Python modelling, examples, and a mini-project with applications from Economics and Finance
-For Python coding, students can use local IDEs (such as Pycharm), Google’s colab (https://colab.research.google.com/), or Quantopian (https://www.quantopian.com/)
Syllabus
1. Lecture 1 - Python for Data Science
1.1. Basic Python Programming
1.2. Using numpy, pandas, and matplotlib
1.3. Example - Using Python to calculate Internal Rate of Return (IRR) and Net Present Value (NPV)
1.4. Example - Using Python to compute the statistics of and visualize macroeconomic data from World Bank
2. Lecture 2 - Linear Regression & Logistic Regression
2.1. Linear Regression
2.2. Using scikit-learn for Linear Regression
2.3. Logistic Regression
2.4. Using scikit-learn for Logistic Regression
2.5. Bias and Variance
2.6. Examples - CAPM, Fama-French 3-factor model, Fama-French 5-factor model
2.7. Example - Predicting Growth / Value stocks using Logistic Regression
3. Lecture 3 - K means clustering
3.1. Distance Measures
3.2. Algorithm
3.3. Using scikit-learn for K means clustering
3.4. Example - Clustering volatilities of indices and stocks’ returns
3.5. Example - Clustering years using interest rates and inflation in the UK
4. Lecture 4 - K nearest neighbors
4.1. KNN classification
4.2. KNN regression
4.3. Using scikit-learn for KNN
4.4. Example - A trading strategy using KNN
5. Lecture 5 - Decision Trees
5.1. Decision Trees Classification & Regression
5.2. Using scikit-learn for Decision Trees
5.3. Example - Using Decision Trees in Credit Scoring
5.4. A brief overview of Random Forest and Gradient Boosting
6. Lecture 6 - Neural Networks
6.1. Neural Networks
6.2. Forward Propagation and Backpropagation
6.3. Using scikit-learn for Neural Networks
6.4. Example - Using Neural Networks to predict stock prices
6.5. Model Evaluation |