• A
  • A
  • A
  • ABC
  • ABC
  • ABC
  • А
  • А
  • А
  • А
  • А
Regular version of the site

IT for Financials

2020/2021
Academic Year
RUS
Instruction in Russian
6
ECTS credits
Delivered at:
Практико-ориентированные магистерские программы факультета экономических наук
Course type:
Elective course
When:
2 year, 1, 2 module

Instructors


Kurbangaleev, Marat Z.

Программа дисциплины

Аннотация

В рамках курса студенты изучают современные инструменты анализа данных, осваивают основы SQL и Python. Курс рекомендуется в качестве подготовки к Проекту «Программные инструменты решения задач финансовой инженерии».
Цель освоения дисциплины

Цель освоения дисциплины

  • Целью дисциплины является практическое ознакомление студентов с современными задачами обработки информации и анализа данных и инструментарием их решения в финансовой деятельности.
Планируемые результаты обучения

Планируемые результаты обучения

  • Студент должен знать современные стандарты организации и хранения данных в финансовых компаниях;  основы SQL и программирования на Python;  природу и постановки основных классов информационных задач в практике финансовой деятельности,  принципиальное математическое содержание современных методов машинного обучения.
  • Студент должен уметь оценить качество данных с точки зрения достаточности для использования в практических задачах;  определять тип и особенности реальной задачи анализа данных, возможности её решения и необходимые методы;  самостоятельно решать рутинные (небольшие, типовые, локальные) задачи по работе с финансовыми данными с помощью SQL и Python;  ставить задачу перед техническим специалистом и оценивать качество предложенного программного решения.
  • Студент должен владеть базовыми навыками работы со свободно распространяемыми СУБД и дистрибутивами Python;  базовыми навыками применения инструментальных средств решения задач машинного обучения.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Тема 1. Специфика данных в современных финансовых задачах
  • Тема 2. Основы реляционных баз данных
  • Тема 3. Анализ структуры, оценка качества данных и предобработка
  • Тема 4. Визуализация данных и представление результатов
  • Тема 5. Введение в машинное обучение.
  • Тема 6. Классические методы статистического анализа данных.
  • Тема 7. Математические основы машинного обучения
  • Тема 8. Нейросетевые методы анализа данных.
  • Тема 9. Специальные виды нейронных сетей.
  • Тема 10. Примеры практической постановки и решения задач машинного анализа данных в среде Python.
  • Тема 11. Верификация и валидация программных решений
Элементы контроля

Элементы контроля

  • неблокирующий Домашнее задание 1
  • неблокирующий Домашнее задание 2
  • неблокирующий Домашнее задание 3
  • неблокирующий Домашнее задание 4
  • неблокирующий Экзамен
Промежуточная аттестация

Промежуточная аттестация

  • Промежуточная аттестация (2 модуль)
    0.15 * Домашнее задание 1 + 0.15 * Домашнее задание 2 + 0.15 * Домашнее задание 3 + 0.15 * Домашнее задание 4 + 0.4 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Batra, R. (2018). SQL Primer : An Accelerated Introduction to SQL Basics. New York: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1833706
  • Chu, W. W. (2013). Data Mining and Knowledge Discovery for Big Data : Methodologies, Challenge and Opportunities. Heidelberg: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=643546
  • McKinney, W. (2018). Python for Data Analysis : Data Wrangling with Pandas, NumPy, and IPython (Vol. Second edition). Sebastopol, CA: O’Reilly Media. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1605925
  • Nelli, F. (2018). Python Data Analytics : With Pandas, NumPy, and Matplotlib (Vol. Second edition). New York, NY: Apress. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1905344
  • Анализ данных на компьютере, Тюрин, Ю. Н., 2003

Рекомендуемая дополнительная литература

  • An introduction to statistical learning : with applications in R, , 2013