هوش مصنوعی کاربردی در Fintech: سیستم‌های پیش‌بینی ریسک و RegTech

آنچه یاد خواهید گرفت:

• پیش‌پردازش داده پیچیده مالی (مانند مجموعه داده اعتبار آلمان) با استفاده از R و بسته‌های tidyverse مثل dplyr برای آماده‌سازی جهت مدل‌سازی پیش‌بینانه
• طراحی و آموزش پرسپترون‌های تک‌لایه و چندلایه (شبکه‌های عصبی) با استفاده از توابع فعال‌سازی سیگموئید و ReLU برای پیش‌بینی مالی
• تحلیل تفاوت میان ریسک‌های سیستمی برون‌زا و درون‌زا، و درک اینکه چگونه معاملات الگوریتمی می‌توانند ریسک چرخه‌ای را تشدید کنند.
• تمایز میان RegTech و SupTech و ارزیابی چگونگی استفاده نهادهای ناظر مالی و مؤسسات از هوش مصنوعی و یادگیری ماشین برای انطباق با مقررات.
• پیاده‌سازی مدل‌های یادگیری ماشین (ماشین‌های بردار پشتیبان، درخت‌های تصمیم گیری، رگرسیون چندمتغیره) برای پیش‌بینی دقیق رتبه‌بندی‌های اعتباری و احتمال نکول

پیش نیازهای دوره

• آشنایی اولیه مفاهیم برنامه‌نویسی، ترجیحاً در R (زیرا برای دستکاری داده از قاب‌های داده، tibbleها و dplyr استفاده می‌کنیم).
• درک اولیه از آمار مقدماتی (میانگین، واریانس، ترکیب‌های خطی و متغیرهای ساختگی) مفید است اما کاملاً الزامی نیست.
• هیچ تجربه قبلی در یادگیری ماشین یا یادگیری عمیق لازم نیست؛ ما معماری شبکه‌های عصبی و مدل‌های پیش‌بینانه را از پایه می‌سازیم.

توضیحات دوره

به دوره هوش مصنوعی کاربردی در فین‌تک: سیستم‌های پیش‌بینی ریسک و فناوری نظارتی خوش آمدید. اگر می‌خواهید بدانید هوش مصنوعی و یادگیری ماشین امروزه واقعاً چگونه در دنیای واقعی مالی استفاده می‌شوند، جای درستی آمده‌اید.

در این دوره، ابتدا بررسی می‌کنیم چرا هوش مصنوعی در امور مالی تا این حد مهم شده است. تصمیم‌های مالی هرگز نباید بر اساس احساسات انسانی باشند. آنها باید با حقایق محکم، پردازش سریع داده و قوانین عینی پشتیبانی شوند. با یادگیری چگونگی استفاده از این الگوریتم‌های مدرن، می‌توانید به مؤسسات مالی کمک کنید هزینه‌ها را کاهش دهند، سرعت تراکنش‌ها را افزایش دهند و انتخاب‌های بسیار هوشمندانه‌تری در وام‌دهی و سرمایه‌گذاری داشته باشند.

ما معتقدیم بهترین راه یادگیری، انجام دادن است. شما با نگاه کردن به داده واقعی مالی، مانند مجموعه داده معروف اعتبار آلمان، شروع می‌کنید تا ببینید چگونه اطلاعات را پاکسازی و آماده می‌کنیم تا یک رایانه بتواند آن را درک کند. از آنجا به سراغ مدل‌های کاربردی یادگیری ماشین می‌رویم. یاد می‌گیرید چگونه سیستم‌هایی بسازید که با استفاده از رگرسیون ساده و درخت‌های تصمیم گیری، ریسک نکول اعتباری را به‌طور خودکار پیش‌بینی کنند.

وقتی مبانی را درک کردید، به بررسی یادگیری عمیق می‌پردازیم. خواهید دید شبکه‌های عصبی مصنوعی چگونه برای تقلید از مغز انسان ساخته می‌شوند و به رایانه‌ها اجازه می‌دهند الگوهای پنهان را در حجم عظیمی از داده مالی پیدا کنند.

در نهایت، از آنجا که دنیای مالی به‌شدت تحت نظارت است، به تصویر بزرگ‌تر نگاه می‌کنیم. RegTech و SupTech را یاد خواهید گرفت که نشان می‌دهند خود نهادهای ناظر چگونه از هوش مصنوعی استفاده می‌کنند. همچنین درباره جنبه اخلاقی هوش مصنوعی و اینکه اتکای بیش از حد به ماشین‌های خودکار چگونه گاهی می‌تواند باعث ایجاد ریسک‌های سیستمی در بازار شود، بحث خواهیم کرد.

تا پایان این دوره، درک روشن و کاربردی از چگونگی ساخت مدل‌های هوش مصنوعی برای امور مالی و چگونگی استفاده ایمن و اخلاقی از آنها خواهید داشت.

این دوره برای چه کسانی مناسب است؟

• دانشمندان داده و برنامه‌نویسانی که به دنبال تخصص در مدل‌سازی فنی ریسک مالی، تحلیل پیش‌بینانه و کاربردهای RegTech/SupTech هستند.
• تحلیلگران مالی، مدیران ریسک و اقتصاددانان کمّی که می‌خواهند از آمار سنتی به چارچوب‌های مدرن یادگیری ماشین و یادگیری عمیق گذار کنند.