Le cours vise à aider les étudiants à résoudre les problèmes pratiques liés au ML qu'ils peuvent rencontrer dans la vie réelle et qui comprennent : (1) comprendre où se situe le problème auquel on est confronté dans le paysage général des méthodes d'apprentissage automatique disponibles, (2) comprendre quelle(s) approche(s) particulière(s) d'apprentissage automatique serait(ent) la plus appropriée(s) pour résoudre le problème, et (3) être capable d'implémenter avec succès une solution, et d'évaluer sa performance.

Un apprenant ayant peu ou pas de connaissances préalables en Machine Learning (ML) connaîtra les principaux algorithmes d'apprentissage supervisé et non supervisé, et d'apprentissage par renforcement, et sera capable d'utiliser des packages ML open source Python pour concevoir, tester et implémenter des algorithmes ML en finance. Fundamentals of Machine Learning in Finance fournira une vue plus approfondie de l'apprentissage supervisé, non supervisé et par renforcement, et se terminera par un projet sur l'utilisation de l'apprentissage non supervisé pour l'implémentation d'une stratégie simple de trading de portefeuilles. Le cours est conçu 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 l'apprentissage automatique pour le day trading personnel Les étudiants actuels à temps plein poursuivant un diplôme en finance, statistiques, informatique, mathématiques, physique, ingénierie ou d'autres disciplines connexes qui veulent apprendre les applications pratiques de l'apprentissage automatique en finance Une expérience avec Python (y compris numpy, pandas, et IPython/Jupyter notebooks), l'algèbre linéaire, la théorie des probabilités de base et le calcul de base est nécessaire pour compléter les travaux de ce cours.