板块 4 - 数据科学与机器学习1

欢迎点赞，收藏～更多量化课程持续更新ing

在板块四中，您将了解金融领域使用的最新数据科学和机器学习技术。从对该主题的全面概述开始，您将学习基本的数学工具，然后深入研究监督学习主题，包括回归方法、k近邻、支持向量机、集成方法等。

1. 机器学习导论I

• 什么是数学建模？
• 经典造型
• 机器学习有何不同？
• 机器学习的主要技术

2. 机器学习导论II

• 常见的机器学习术语
• 监督学习技术简介
• 无监督学习技术简介
• 强化学习技巧简介

3. 机器学习数学工具箱

• 学习理论：偏差-方差问题
• ML的线性代数
• 经验风险最小化
• 梯度下降（随机和加速）
• 条件优化及其应用
• 概率建模和推导
• 高斯过程
• 模型选择的艺术与理论

4. 监督学习-回归方法

• 线性回归
• 惩罚回归：Lasso, Ridge 和 Elastic Net
• 逻辑回归，Softmax回归

5. 监督学习II

• K近邻
• 朴素贝叶斯分类器
• 支持向量机

6. 决策树和集成模型

• 决策树简介，及其定义
• CART: 分类和回归树
• 测量树的性能（熵、# 基尼不纯度）
• 将决策树与数据拟合
• 决策树的偏差和方差权衡
• 装袋算法的方差缩减
• 随机森林
• Boosting算法的偏倚缩减法
• Boosting算法
• 梯度增强回归树
• AdaBoost算法
• 金融工程应用

7. 金融实用机器学习案例研究

• 宏观预测标准普尔500指数和Baa利差
• 共同基金的夏普式回归方法
• ESG公司报告情感分析的自然语言处理