L'objectif principal de cette spécialisation est de fournir les connaissances et les compétences pratiques nécessaires pour développer une base solide sur les paradigmes et les algorithmes de base de l'apprentissage automatique (ML), avec un accent particulier sur les applications de ML à divers problèmes pratiques en finance.
La spécialisation vise à aider les étudiants à être en mesure de résoudre des problèmes pratiques d'apprentissage automatique qu'ils peuvent rencontrer dans la vie réelle et qui comprennent :
(1) la cartographie du problème sur un paysage général de méthodes de ML disponibles,
(2) le choix d'une ou plusieurs approches de ML particulières qui seraient les plus appropriées pour résoudre le problème, et
(3) la mise en œuvre réussie d'une solution et l'évaluation de ses performances.
La spécialisation est conçue pour trois catégories d'étudiants :
- Les praticiens travaillant dans des institutions financières telles que les banques, les sociétés de gestion d'actifs ou les fonds spéculatifs
- Les personnes intéressées par les applications de ML pour le day trading personnel
- Les étudiants à temps plein qui poursuivent des études en finance, statistiques, informatique, mathématiques, physique, ingénierie ou autres disciplines connexes et qui souhaitent apprendre les applications pratiques de la ML en finance.
Les modules peuvent également être suivis individuellement afin d'améliorer les compétences dans un domaine particulier des applications du ML en finance.
Projet d'apprentissage appliqué
La spécialisation est essentiellement en ML où tous les exemples, devoirs à la maison et projets de cours traitent de divers problèmes en finance (tels que la négociation d'actions, la gestion d'actifs et les applications bancaires), et le choix des sujets est respectivement motivé par un accent sur les méthodes de ML qui sont utilisées par les praticiens de la finance. La spécialisation a pour but de préparer les étudiants à travailler sur des projets complexes d'apprentissage automatique en finance qui nécessitent souvent à la fois une large compréhension de l'ensemble du domaine de l'apprentissage automatique, et une compréhension de l'adéquation des différentes méthodes disponibles dans un sous-domaine particulier de l'apprentissage automatique (par exemple, l'apprentissage non supervisé) pour résoudre les problèmes pratiques qu'ils pourraient rencontrer dans leur travail.
