Адаптационный курс «Машинное обучение»

Задача курса — научить слушателей находить скрытые закономерности в данных с помощью методов машинного обучения. На лекциях разбираются все основные модели (линейные, логические, метрические, байесовские) и постановки задач машинного обучения. Большое внимание уделяется прикладным аспектам анализа данных: метрикам качества, оцениванию обобщающей способности, подготовке данных и работе со сложными типами признаков. В курсе изучаются современные технологии и библиотеки, используемые в анализе данных. Все темы сопровождаются практическими заданиями на языке Python и соревнованиями по анализу данных.

Литература:

1. Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008.

2. Hastie, T., Tibshirani, R., Friedman, J. The Elements of Statistical Learning, 2nd edition. —Springer, 2009

 

 

Современные методы анализа данных: глубинное обучение

 

Глубинное обучение - стремительно развивающаяся область машинного обучения по большим объемам данных. В задачах, где объем обучающей выборки достаточно велик, методы глубинного обучения не просто значительно опережают все известные подходы, но и приближаются к возможностям человеческого интеллекта. Несмотря на то, что теория глубинных нейронных сетей еще не построена, они уже успешно применяются на практике. В этом курсе будут рассмотрены самые современные подходы к построению, обучению и применению глубинных нейронных сетей для решения различных индустриальных задач.

 

Литература:

1. LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. “Deep learning.” Nature 521, no. 7553 (2015): 436-444.

2. ImageNet Classification with Deep Convolutional Neural Networks, Alex Krizhevsky, Ilya Sutskever, Geoffrey E Hinton, NIPS 2012

3. Li Deng, Dong Yu, Deep Learning: Methods and Applications, Foundations and trends in signal processing, Now Publishers, 2014

Современные методы принятия решений: алгоритмы обработки больших данных

В рамках курса студенты познакомятся с методами работы с большими массивами данных разного вида, включая тексты и изображения. Студенты научатся применять их в реальных задачах, с которыми сегодня сталкиваются специалисты по анализу данных. Будут рассмотрены как способы распараллеливания и ускорения работы известных методов, так и новые подходы, основанные на наличии большой обучающей выборки. В курсе изучаются современные подходы к обработке больших данных на языке Python с использованием таких инструментов как IPython, Apache Spark, vowpal wabbit, xgboost, word2vec и TensorFlow.

 

Литература:

1. Холден Карау, Энди Конвински, «Изучаем Spark. Молниеносный анализ данных», O’REILLY, 2015
2. Francesco Pierfederici, Distributed Computing with Python, PACKT, 2016
3. Aurélien Géron, Hands-On Machine Learning with Scikit-Learn and TensorFlow: Techniques and Tools to Build, O'Reilly Media, Inc., 2017

 

Финансы банка

В курсе рассматриваются бизнес модели коммерческих банков, задачи управления активами и пассивами банка, источники доходов и расходов, капитал банка, среда функционирования банков, а также банковские кризисы. Данный курс также дает введение в основы корпоративных финансов, подчеркивая их применение к широкому спектру реальных задач, охватывающих личные финансы, принятие корпоративных решений и финансовое посредничество. Ключевые концепции и приложения включают в себя: временную стоимость денег, риск-доходность, стоимость капитала, процентные ставки, пенсионные сбережения, ипотечное финансирование, оценку активов, построение дисконтированных денежных потоков (DCF), внутренняя норма доходности, NPV, срок окупаемости.

Литература:

1. Волков Д., Цехомский Н., Щербакова О. и др. Финансы банка. М.: Корпоративный университет Сбербанка, 2015.

2. Агуреев Е., Щербакова О., Шибанов О. и др. Кейсы по программам Школы финансов. М.: Корпоративный университет Сбербанка, 2016.

 

Финансовые технологии

В данном курсе рассматривается конкурентный ландшафт современных финансовых организаций: стратегия экосистемы, новые fintech-маркетплейсы, с использованием disruptive технологий, цифровой фронт-офис, кастомизация на основе применения когнитивных технологий для обработки внутренних и внешних данных, сокращения сроков проведения изменений (agile), многоканального обслуживания клиентов, on-demand услуги с быстро изменяющимся ценностным предложением, различными ценами для разных категорий клиентов, а также безопасные операции, снижающие риски мошенничества посредством использования технологии блокчейн.

 

Литература:

1. Susanne Chishti, Janos Barberis, The FINTECH Book: The Financial Technology Handbook for Investors, Wiley, 2016

2. Paolo Sironi, FinTech Innovation: From Robo-Advisors to Goal Based Investing and Gamification, Wiley, 2016

3. John Waupsh, Bankruption: How Community Banking Can Survive Fintech, Wiley, 2016