Искусственный интеллект (машинное обучение) и его применение на финансовом рынке: 29 января 2025 → 14 февраля 2025
Цель обучения: сформировать понимание о возможностях современных технологий искусственного интеллекта, содержании этапов машинного обучения и применении таких технологий для решения практических задач на финансовом рынке.
Задачи обучения:
- научиться инициировать проекты по использованию инструментов искусственного интеллекта (ИИ) для решения функциональных задач в финансовой организации;
- знать, понимать и системно связывать основные понятия в сфере искусственного интеллекта, машинного обучения;
- получить представление о применении ИИ в различных отраслях и сферах профессиональной деятельности, тенденциях развития технологических решений в области ИИ, в особенности на финансовом рынке;
- различать и знать особенности «машинного обучения» и «глубокого обучения»;
- знать состав и ключевые функции команды создания ML-модели, иметь представление о наборе компетенций Data Science, основных инструментах и технологиях, применяемых при создании ML-модели;
- знать процесс управления ИИ-проектом и быть способным принимать в нем участие;
- знать и учитывать этапы разработки и применения ML-модели в целях формирования заданий на разработку, связанных с профильными областями профессиональной деятельности на финансовом рынке;
- знать и понимать процессы постановки бизнес-задачи и определения данных; этап сбора и подготовки данных; этап создания ML-модели; процессы развёртывания, применения и мониторинга модели;
- получить расширенные компетенции для определения бизнес-потребностей, формирования заданий на разработку ML-моделей, рассмотрев примеры, изучив подходы к созданию и применению моделей в финансовом секторе: для идентификации инсайдерской торговли, классификации организаций, прогнозирования на фондовом рынке, выявления киберпреступлений, обнаружения мошенничества с транзакциями.

Место проведения
Курс проходит в очной форме: онлайн или в аудитории — по выбору слушателя.
материалов
Выдаваемые документы
Список материалов
Доступ к учебным материалам. Электронные презентации, текстовые материалы размещаются в личном кабинете обучающегося на онлайн-платформе Института МФЦ, формируемом для слушателя к началу курса. Выполненные домашние задания, письменную работу обучающиеся загружают в личный кабинет, в котором также размещаются результаты проверки самостоятельных работ.

Программа учебного курса
Тематический план
Открытие курса. Вступительное слово руководителя образовательной программы, куратора курса.
Тема 1. Основные концепции ИИ. Data Science, Data Scientist. 2 часа
1.1. Понятия «искусственный интеллект», «машинное обучение» (ML). Различия между «машинным обучением» и «глубоким обучением».
1.2. ML-модели анализа, их классификация: supervised, unsupervised, reinforcement learning. Обзор примеров применения ML-моделей анализа.
1.3. Компания, управляемая на основе данных (Data Driven). Наука о данных (Data Science). Исследователь данных (Data Scientist): знания, навыки, умения. Инструментарий исследователя данных, применение Python, AirFlow, Jupyter, Git, DVC, NoSQL, Spark и др.
Практические составляющие занятия:
- Демонстрация датасета для иллюстрации работы различных типов ML-моделей с помощью Python.
- Демонстрация использования Jupyter Notebooks для анализа данных с помощью Python.
Тема 2. Подробный анализ этапов разработки и применения ML-модели. Погружение в этапы разработки ML-модели. 4 часа
2.1. Конвейер разработки ML-модели (Pipeline). Ключевые этапы разработки ML-модели.
2.2. Постановка бизнес-задачи и понимание данных (выбор источников, сбор метаданных, моделирование данных).
2.3. Погружение в этап сбора и подготовки данных (получение, профилирование, очистка и интеграция данных).
2.4. Погружение в этап создания модели (выбор метода и алгоритма анализа, отбор признаков и разметка, обучение/построение, тестирование и оценивание модели).
2.5. Развёртывание, применение и мониторинг модели.
2.6. Задачи регрессии и классификации.
Практические составляющие занятий:
- Демонстрация структуры типичного ML-пайплайна, включая этапы обработки данных, выбора модели, обучения, валидации и развертывания.
- Рассмотрение примера постановки бизнес-задач и определения соответствующих целей использования ML.
- Рассмотрение примера с проведением анализа и выбором источников данных, сбором метаданных, первичным моделированием данных.
- Рассмотрение примера работы с инструментами для извлечения данных, их очистки и интеграции.
- Рассмотрение примера применения методов профилирования данных для оценки качества и релевантности данных.
- Демонстрация примера развертывания ML-моделей, интеграции с существующими системами, мониторинга эффективности и точности моделей в реальных условиях.
- Рассмотрение примера обучения различных моделей регрессии и классификации, применения таких моделей, подходов к определению лучших практик для каждого типа задач.
- Погружение обучающихся в создание модели —выполнение практического комплексного упражнения на выбор и применение алгоритмов машинного обучения, методов отбора признаков, разметки данных, обучения модели с использованием различных техник и подходов, тестирования и оценки эффективности модели.
Тема 3. Управление проектами и внедрение ИИ. 4 часа
3.1. Управление проектами ИИ: методологии управления проектами ИИ, формирование команд, планирование и реализация проектов, мониторинг и оценка их эффективности.
3.2. Стратегия внедрения ИИ: анализ потребностей и возможностей организации, разработка стратегии внедрения, управление изменениями и изучение кейсов успешного внедрения ИИ.
3.3 Применение ИИ-решений в отдельных отраслях и сферах профессиональной деятельности (медицина, маркетинг и нек. др.)
3.4. Ключевые тренды по внедрению алгоритмов ИИ на финансовых рынках.
Практические составляющие занятий:
- Рассмотрение примеров использования методик управления проектами (Agile и Scrum) в ИИ-проектах.
- Рассмотрения примеров успешного внедрения ИИ в отдельных отраслях и сферах профессиональной деятельности.
- Мозговой штурм по обсуждению возможных стратегий внедрения ИИ-проекта на заданном примере.
- Рассмотрение примеров применения ИИ участниками финансового рынка для алгоритмической торговли, управления рисками.
Выдача домашнего задания № 1 по разработке плана проекта и определения KPI для оценки его успешности.
Тема 4. Идентификация инсайдерской торговли на рынке ценных бумаг на основе методов ИИ. 2 часа
4.1. Особенности создания ML-модели. Решение проблем источников с рядом данных, шума. Сбор информации и корреляционный анализ для проверки индикаторов.
4.2. Применение методов ИИ: logistic, support vector machine, deep neural network, random forest, extreme gradient boosting, многозадачная глубокая нейронная сеть для задачи идентификации инсайдерской торговли.
Практические составляющие занятия:
- Разбор кейса по созданию ML-модели, включающего решение задач по сбору и анализу данных, проведению корреляционного анализа для оценки значимости индикаторов. очистки и фильтрации данных.
- Выполнение практических упражнений, направленных на понимание и умение применять методы ИИ, включая логистическую регрессию, SVM, глубокие нейронные сети, случайные леса и экстремальное градиентное усиление для выявления инсайдерской торговли.
Тема 5. Использование машинного обучения для классификации организаций. 2 часа
5.1. Результаты машинного обучения: новое представление о данных организаций, визуализация и классификация организаций эффективным способом.
5.2. Подход t-SNE (t-distributed stochastic neighbor embedding) и возможности его реализации в различных сферах финансового рынка.
Практическая составляющая занятия:
- Разбор кейса по использованию t-SNE и других алгоритмов классификации для классификации организаций, визуализации их многомерных данных. Кейс включает вопросы подготовки данных, выбора параметров алгоритмов и оценки качества модели.
Выдача домашнего задания № 2 по использованию машинного обучения для классификации организаций на финансовом рынке.
Тема 6. Нейронные сети в прогнозировании на фондовом рынке. 2 часа
6.1. Множественный линейный регрессивный анализ как традиционный метод прогнозирования.
6.2. Использование искусственных нейронных сетей (ANNS) — рекуррентных нейронных сетей (RNNS) в качестве инструмента прогнозирования колебаний фондового рынка.
6.3. Различные подходы проверки способности сети предсказывать будущие тенденции индексов фондового рынка, в том числе если прогнозирование должно быть достигнуто с помощью нелинейного определения данных.
Практическая составляющая занятия:
- Разбор примера применения нейронных сетей для прогнозирования на фондовом рынке с использованием множественного линейного регрессионного анализа, рекуррентных нейронных сетей.
Тема 7. Методы ИИ в выявлении киберпреступлений. 2 часа
6.1 Традиционные методы обнаружения и предотвращения киберпреступлений с применением ИИ: сильные и слабые стороны.
6.2 Использование полууправляемой нейронной сети для выявления преступлений.
Практические составляющие занятия:
- Рассмотрение практического примера, связанного с созданием базовой модели ИИ для выявления аномалий в сетевом трафике.
- Рассмотрение примера использования полууправляемой нейронной сети.
Тема 8. Обнаружение мошенничества с транзакциями: нейронная сеть vs алгоритмов обнаружения аномалий. 2 часа
7.1 Автоматическое обнаружение мошенничества в финансовых транзакциях с применением алгоритмов обнаружения аномалий.
7.2 Алгоритмы обнаружения мошенничества с использованием нейронной сети.
Практические составляющие занятия:
- Рассмотрение примера применения классических алгоритмов обнаружения аномалий.
- Рассмотрение примера применения глубоких нейронных сетей, включая особенности подготовки данных для их обработки нейронными сетями.
Онлайн-консультация по выполнению письменной работы. 1 час
Выполнение письменной работы — формирование задания на разработку инициатив по внедрению ИИ в деятельности финансовой организации.
Закрытие курса. Диалог с обучающимися руководителя образовательной программы, куратора курса.
Поделиться!
-
февраль, 2025ПнВтСрЧтПтСбВс27 января 2025 понедельникДаты проведения: 27 января 2025 – 30 апреля 2025Форма обучения: Другая65000 ₽ физ. лица65000 ₽ юр. лицаДаты проведения: 27 января 2025 – 30 апреля 2025Форма обучения: Другая70000 ₽ физ. лица70000 ₽ юр. лицаДаты проведения: 27 января 2025 – 20 марта 2025Форма обучения: Другая45500 ₽ физ. лица45500 ₽ юр. лица27Налоговое консультирование 320+ еще 228 января 2025 вторникДаты проведения: 28 января 2025 – 24 марта 2025Форма обучения: Вечерняя49500 ₽ физ. лица49500 ₽ юр. лицаДаты проведения: 28 января 2025 – 20 февраля 2025Форма обучения: Вечерняя27000 ₽ физ. лица27000 ₽ юр. лица28Финансовый консультант-инвестиционный советник+ еще 129 января 2025 средаДаты проведения: 29 января 2025 – 14 февраля 2025Форма обучения: Вечерняя59000 ₽ физ. лица59000 ₽ юр. лицаДаты проведения: 29 января 2025 – 29 января 2025Форма обучения: Дневная8000 ₽ физ. лица8000 ₽ юр. лицаДаты проведения: 29 января 2025 – 29 января 2025Форма обучения: Дневная5000 ₽ физ. лица5000 ₽ юр. лицаДаты проведения: 29 января 2025 – 29 января 2025Форма обучения: Дневная6000 ₽ физ. лица6000 ₽ юр. лицаДаты проведения: 29 января 2025 – 29 января 2025Форма обучения: Дневная6000 ₽ физ. лица6000 ₽ юр. лица29Искусственный интеллект (машинное обучение) и его применение на финансовом рынке+ еще 43031010203 февраля 2025 понедельникДаты проведения: 03 февраля 2025 – 13 февраля 2025Форма обучения: Вечерняя9300 ₽ физ. лица9300 ₽ юр. лицаДаты проведения: 03 февраля 2025 – 13 февраля 2025Форма обучения: Вечерняя10500 ₽ физ. лица10500 ₽ юр. лицаДаты проведения: 03 февраля 2025 – 20 марта 2025Форма обучения: Вечерняя21000 ₽ физ. лица21000 ₽ юр. лица03Повышение квалификации профессиональных бухгалтеров (40 часов) очно/дистанционно+ еще 2040506070809101112 февраля 2025 средаДаты проведения: 12 февраля 2025 – 13 февраля 2025Форма обучения: Дневная18000 ₽ физ. лица18000 ₽ юр. лица12Противодействие коррупции в системе закупок13 февраля 2025 четвергДаты проведения: 13 февраля 20259000 ₽ физ. лица9000 ₽ юр. лица13Цифровые финансовые активы (ЦФА): актуальные вопросы регулирования, практики и развития. Отдельные особенности цифровых валют.1415 февраля 2025 субботаДаты проведения: 15 февраля 202515000 ₽ физ. лица15000 ₽ юр. лицаДаты проведения: 15 февраля 202515000 ₽ физ. лица15000 ₽ юр. лица15Закон США о налогообложении иностранных счетов США (FATCA)+ еще 11617 февраля 2025 понедельникДаты проведения: 17 февраля 2025 – 17 апреля 2025Форма обучения: Другая41000 ₽ физ. лица41000 ₽ юр. лицаДаты проведения: 17 февраля 2025 – 28 февраля 2025Форма обучения: Вечерняя29000 ₽ физ. лица29000 ₽ юр. лицаДаты проведения: 17 февраля 2025 – 17 апреля 2025Форма обучения: Другая45000 ₽ физ. лица45000 ₽ юр. лицаДаты проведения: 17 февраля 2025 – 17 апреля 2025Форма обучения: Другая40000 ₽ физ. лица40000 ₽ юр. лицаДаты проведения: 17 февраля 2025 – 17 апреля 2025Форма обучения: Другая41000 ₽ физ. лица41000 ₽ юр. лицаДаты проведения: 17 февраля 2025 – 24 февраля 2025Форма обучения: Вечерняя50600 ₽ физ. лица50600 ₽ юр. лицаДаты проведения: 17 февраля 2025 – 04 марта 2025Форма обучения: Вечерняя36000 ₽ физ. лица40000 ₽ юр. лица17Аттестат профессионального бухгалтера — Главный бухгалтер организации бюджетной сферы+ еще 618 февраля 2025 вторникДаты проведения: 18 февраля 2025 – 28 марта 2025Форма обучения: Вечерняя85000 ₽ физ. лица85000 ₽ юр. лица18Цифровые технологии и инструменты на финансовых рынках19 февраля 2025 средаДаты проведения: 19 февраля 202510000 ₽ физ. лица10000 ₽ юр. лица19Внутренний контроль профессионального участника рынка ценных бумаг: новации и актуальные вопросы (семинар с представителем Банка России)20212223