Der Kurs zielt darauf ab, die Studenten in die Lage zu versetzen, praktische ML-Probleme zu lösen, die ihnen im wirklichen Leben begegnen können: (1) Verstehen, wo das Problem, mit dem man konfrontiert ist, in der allgemeinen Landschaft der verfügbaren ML-Methoden angesiedelt ist, (2) Verstehen, welche(r) bestimmte(n) ML-Ansatz(e) für die Lösung des Problems am besten geeignet wäre(n), und (3) Fähigkeit, eine Lösung erfolgreich zu implementieren und ihre Leistung zu bewerten.

Lernende mit keinen oder nur geringen Vorkenntnissen im Bereich des maschinellen Lernens (ML) lernen die wichtigsten Algorithmen des überwachten und unüberwachten Lernens sowie des Verstärkungslernens kennen und sind in der Lage, Open-Source-Python-Pakete für ML zu verwenden, um ML-Algorithmen in der Finanzwelt zu entwerfen, zu testen und zu implementieren. Grundlagen des maschinellen Lernens in der Finanzwelt bietet einen tieferen Einblick in das überwachte, unüberwachte und Verstärkungslernen und endet mit einem Projekt zur Verwendung des unüberwachten Lernens für die Implementierung einer einfachen Portfolio-Handelsstrategie. Der Kurs richtet sich an drei Kategorien von Studenten: Praktiker, die bei Finanzinstituten wie Banken, Vermögensverwaltungsfirmen oder Hedgefonds arbeiten Personen, die sich für Anwendungen von ML für den persönlichen Daytrading interessieren Aktuelle Vollzeitstudenten, die einen Abschluss in Finanzwesen, Statistik, Informatik, Mathematik, Physik, Ingenieurwesen oder anderen verwandten Disziplinen anstreben und praktische Anwendungen von ML im Finanzwesen kennenlernen möchten Erfahrungen mit Python (einschließlich numpy, pandas und IPython/Jupyter notebooks), linearer Algebra, grundlegender Wahrscheinlichkeitstheorie und Grundrechenarten sind erforderlich, um die Aufgaben in diesem Kurs zu erledigen.