Освоив эту 100% онлайн-программу данной Специализированной магистратуры, вы поймете, как искусственный интеллект может изменить технический и фундаментальный анализ, оптимизируя инвестиционные решения с точностью, не поддающейся человеческой интуиции" 

Использование искусственного интеллекта (ИИ) в финансовой сфере активизировалось благодаря разработке передовых алгоритмов машинного обучения, которые оптимизируют инвестиционные стратегии и анализ рисков. Финансовые учреждения используют искусственный интеллект для автоматизации операций, выявления мошенничества в режиме реального времени и персонализации инвестиционных рекомендаций для своих клиентов.

Так появилась эта Специализированная магистратура, которая обеспечит глубокое понимание того, как применять передовые методы искусственного интеллекта для технического анализа рынков. Таким образом, профессионалы смогут использовать современные инструменты для визуализации и автоматизации технических индикаторов, а также внедрять сложные модели, такие как сверточные нейронные сети для распознавания финансовых моделей.

Кроме того, специалисты познакомятся с методами машинного обучения и глубокого обучения, а также с обработкой естественного языка (NLP) для анализа финансовой отчетности и других соответствующих документов. Также будут рассмотрены методологии оценки рисков и кредитоспособности, анализа устойчивости ESG и выявления финансового мошенничества.

Наконец, будет рассказано об обработке больших объемов финансовых данных, обработке и анализе больших данных с помощью передовых инструментов, таких как Hadoop и Spark. Кроме того, будут рассмотрены вопросы интеграции, очистки и визуализации данных, а также безопасности и конфиденциальности при работе с финансовой информацией. Будут рассмотрены стратегии алгоритмического трейдинга, включая разработку и оптимизацию автоматизированных систем и управление рисками.

Таким образом, TECH создал подробную, университетскую, полностью онлайн-программу, облегчающую студентам доступ к учебным материалам с любого электронного устройства с выходом в Интернет. Это избавляет от необходимости ездить в физический центр обучения и подстраиваться под определенный график. В дополнение, в программе используется революционная методология Relearning, основанная на повторении основных понятий для улучшения понимания содержания.

Вы сможете обрабатывать и анализировать большие объемы финансовых данных, разрабатывать эффективные алгоритмические торговые стратегии и решать сложные этические и нормативные вопросы” 

Данная Специализированная магистратура в области искусственного интеллекта на фондовых биржах и финансовых рынках содержит самую полную и современную образовательную программу на рынке. Основными особенностями обучения являются:

• Разбор кейсов, представленных экспертами в области искусственного интеллекта, ориентированных на фондовые биржи и финансовые рынки
• Наглядное, схематичное и исключительно практическое содержание курса предоставляет практическую информацию по тем дисциплинам, которые необходимы для осуществления профессиональной деятельности
• Практические упражнения для самопроверки, контроля и улучшения успеваемости
• Особое внимание уделяется инновационным методологиям
• Теоретические занятия, вопросы эксперту, дискуссионные форумы по спорным темам и самостоятельная работа
• Учебные материалы курса доступны с любого стационарного или мобильного устройства с выходом в интернет

Вы детально изучите такие передовые методы, как обучение с подкреплением для алгоритмической торговли и моделирование временных рядов с помощью LSTM, благодаря обширной библиотеке инновационных мультимедийных ресурсов" 

В преподавательский состав программы входят профессионалы из данного сектора, которые привносят в обучение опыт своей работы, а также признанные специалисты из ведущих сообществ и престижных университетов.

Мультимедийное содержание программы, разработанное с использованием новейших образовательных технологий, позволит специалисту проходить обучение с учетом контекста и ситуации, т.е. в симулированной среде, обеспечивающей иммерсивный учебный процесс, запрограммированный на обучение в реальных ситуациях.

Структура этой программы основана на проблемно-ориентированном обучении, с помощью которого специалист должен попытаться разрешать различные ситуации из профессиональной практики, возникающие в течение учебного курса. В этом специалистам поможет инновационная интерактивная видеосистема, созданная признанными экспертами.

Вы будете обладать способностью проводить точный и эффективный анализ в условиях возрастающей сложности и динамики финансовых рынков, используя лучшие учебные материалы, находящиеся на передовой технологий и образования"

Вы изучите вопросы этики и регулирования использования искусственного интеллекта в финансах, подготовившись к решению этических и нормативных проблем, а также к ответственному подходу к разработке технологий в финансовом секторе"

В этой учебной программе предлагается всестороннее содержание, разработанное для решения сложных проблем современной финансовой среды с помощью передового использования технологий ИИ. Специалисты изучат технический и фундаментальный анализ финансовых рынков, применят инструменты машинного обучения и глубокого обучения для оптимизации инвестиционных решений и торговых стратегий. Также будут рассмотрены методы обработки и визуализации больших объемов данных, разработка и внедрение высокочастотных алгоритмических систем.

Вы сосредоточитесь на таких важнейших вопросах, как этика и регулирование использования искусственного интеллекта в финансах, и подготовитесь к решению этических и нормативных проблем, получив диплом лучшего в мире цифрового университета, по версии Forbes: TECH” 

Модуль 1. Основы искусственного интеллекта

1.1. История искусственного интеллекта

1.1.1. Когда мы начали говорить об искусственном интеллекте?
1.1.2. Упоминания в кино
1.1.3. Важность искусственного интеллекта
1.1.4. Технологии, обеспечивающие и поддерживающие искусственный интеллект

1.2. Искусственный интеллект в играх

1.2.1. Теория игр
1.2.2. Минимакс и Альфа-бета-отсечение
1.2.3. Моделирование: Монте-Карло

1.3. Нейронные сети

1.3.1. Биологические основы
1.3.2. Вычислительная модель
1.3.3. Контролируемые и неконтролируемые нейронные сети
1.3.4. Простой перцептрон
1.3.5. Многослойный перцептрон

1.4. Генетические алгоритмы

1.4.1. История
1.4.2. Биологическая основа
1.4.3. Кодирование проблемы
1.4.4. Генерация начальной популяции
1.4.5. Основной алгоритм и генетические операторы
1.4.6. Оценка отдельных лиц: Fitness

1.5. Тезаурусы, словари, таксономии

1.5.1. Словари
1.5.2. Таксономия
1.5.3. Тезаурусы
1.5.4. Онтологии
1.5.5. Представление знаний: семантическая паутина

1.6. Семантическая паутина

1.6.1. Спецификация: RDF, RDFS и OWL
1.6.2. Выводы/рассуждения
1.6.3. Linked Data

1.7. Экспертные системы и DSS

1.7.1. Экспертные системы
1.7.2. Системы поддержки принятия решений

1.8. Чатботы и виртуальные помощники

1.8.1. Типы помощников: голосовые и текстовые помощники
1.8.2. Основополагающие детали для развития помощника: Намерения, сущности и диалоговый поток
1.8.3. Интеграция: web, Slack, Whatsapp, Facebook
1.8.4. Инструменты разработки помощников: Dialog Flow, Watson Assistant

1.9. Стратегия и внедрение ИИ
1.10. Будущее искусственного интеллекта

1.10.1. Мы понимаем, как определять эмоции с помощью алгоритмов
1.10.2. Создание личности: язык, выражения и содержание
1.10.3. Тенденции искусственного интеллекта
1.10.4. Размышления

Модуль 2. Виды и жизненный цикл данных

2.1. Статистика

2.1.1. Статистика: описательная статистика, статистические выводы
2.1.2. Население, выборка, индивидуум
2.1.3. Переменные: определение, шкалы измерения

2.2. Типы статистических данных

2.2.1. По типу

2.2.1.1. Количественные: непрерывные данные и дискретные данные
2.2.1.2. Качественные: биномиальные данные, номинальные данные, порядковые данные

2.2.2. По форме

2.2.2.1. Числовые
2.2.2.2. Текст
2.2.2.3. Логические

2.2.3. Согласно источнику

2.2.3.1. Первичные
2.2.3.2. Вторичные

2.3. Жизненный цикл данных

2.3.1. Этапы цикла
2.3.2. Основные этапы цикла
2.3.3. Принципы FAIR

2.4. Начальные этапы цикла

2.4.1. Определение целей
2.4.2. Определение необходимых ресурсов
2.4.3. Диаграмма Ганта
2.4.4. Структура данных

2.5. Сбор данных

2.5.1. Методология сбора
2.5.2. Инструменты сбора
2.5.3. Каналы сбора

2.6. Очистка данных

2.6.1. Этапы очистки данных
2.6.2. Качество данных
2.6.3. Работа с данными (с помощью R)

2.7. Анализ данных, интерпретация и оценка результатов

2.7.1. Статистические меры
2.7.2. Индексы отношений
2.7.3. Добыча данных

2.8. Хранилище данных (datawarehouse)

2.8.1. Элементы, входящие в его состав
2.8.2. Разработка
2.8.3. Аспекты, которые следует учитывать

2.9. Доступность данных

2.9.1. Доступ
2.9.2. Полезность
2.9.3. Безопасность

2.10. Нормативно-правовые аспекты

2.10.1. Закон о защите данных
2.10.2. Передовая практика
2.10.3. Другие нормативные аспекты

Модуль 3. Данные в искусственном интеллекте

3.1. Наука о данных

3.1.1. Наука о данных
3.1.2. Передовые инструменты для исследователя данных

3.2. Данные, информация и знания

3.2.1. Данные, информация и знания
3.2.2. Типы данных
3.2.3. Источники данных

3.3. От данных к информации

3.3.1. Анализ данных
3.3.2. Виды анализа
3.3.3    Извлечение информации из набора данных

3.4. Извлечение информации путем визуализации

3.4.1. Визуализация как инструмент анализа
3.4.2. Методы визуализации
3.4.3. Визуализация набора данных

3.5. Качество данных

3.5.1. Данные о качестве
3.5.2. Очистка данных
3.5.3. Основная предварительная обработка данных

3.6. Набор данных

3.6.1. Обогащение набора данных
3.6.2. Проклятие размерности
3.6.3. Модификация нашего набора данных

3.7. Выведение из равновесия

3.7.1. Дисбаланс классов
3.7.2. Методы устранения дисбаланса
3.7.3. Сбалансированность набора данных

3.8. Модели без контроля

3.8.1. Модель без контроля
3.8.2. Методы
3.8.3. Классификация с помощью моделей без контроля

3.9. Модели под контролем

3.9.1. Модель под контролем
3.9.2. Методы
3.9.3. Классификация с помощью моделей под контролем

3.10. Инструменты и передовой опыт

3.10.1. Передовая практика для специалиста по исследованию данных
3.10.2. Лучшая модель
3.10.3. Полезные инструменты

Модуль 4. Добыча данных. Отбор, предварительная обработка и преобразование

4.1. Статистический вывод

4.1.1. Описательная статистика vs. Статистическое заключение
4.1.2. Параметрические методы
4.1.3. Непараметрические методы

4.2. Исследовательский анализ

4.2.1. Описательный анализ
4.2.2. Визуализация
4.2.3. Подготовка данных

4.3. Подготовка данных

4.3.1. Интеграция и очистка данных
4.3.2. Нормализация данных
4.3.3. Преобразование данных

4.4. Отсутствующие данные

4.4.1. Обработка отсутствующих значений
4.4.2. Метод максимального правдоподобия
4.4.3. Обработка отсутствующих данных в машинном обучении

4.5. Шум в данных

4.5.1. Классы и признаки шума
4.5.2. Фильтрация шумов
4.5.3. Шумовой эффект

4.6. Проклятие размерности

4.6.1. Oversampling
4.6.2. Undersampling
4.6.3. Редукция многомерных данных

4.7. От непрерывных к дискретным признакам

4.7.1. Непрерывные и дискретные данные
4.7.2. Процесс дискретизации

4.8. Данные

4.8.1. Выбор данных
4.8.2. Перспективы и критерии отбора
4.8.3. Методы отбора

4.9. Выбор экземпляров

4.9.1. Методы выбора экземпляра
4.9.2. Выбор прототипов
4.9.3. Расширенные методы выбора экземпляра

4.10. Предварительная обработка больших данных

Модуль 5. Алгоритм и сложность в искусственном интеллекте

5.1. Введение в шаблоны разработки алгоритмов

5.1.1. Рекурсия
5.1.2. "Разделяй и властвуй"
5.1.3. Другие стратегии

5.2. Эффективность и анализ работы алгоритмов

5.2.1. Меры эффективности
5.2.2. Измерение объема данных на входе
5.2.3. Измерение времени выполнения
5.2.4. Случаи: худший, лучший и средний
5.2.5. Асимптотическая нотация
5.2.6. Критерии математического анализа нерекурсивных алгоритмов
5.2.7. Критерии математического анализа рекурсивных алгоритмов
5.2.8. Эмпирический анализ алгоритмов

5.3. Алгоритмы сортировки

5.3.1. Концепция сортировки
5.3.2. Пузырьковая сортировка
5.3.3. Сортировка выбором
5.3.4. Сортировка вставками
5.3.5. Сортировка слиянием (Merge_Sort)
5.3.6. Быстрая сортировка (Quick_Sort)

5.4. Алгоритмы с применением деревьев

5.4.1. Концепция дерева
5.4.2. Бинарные деревья
5.4.3. Обходы деревьев
5.4.4. Представление выражений
5.4.5. Упорядоченные бинарные деревья
5.4.6. Сбалансированные бинарные деревья

5.5. Алгоритмы с применением кучей

5.5.1. Что такое кучи
5.5.2. Алгоритм сортировки кучей
5.5.3. Очереди с приоритетом

5.6. Алгоритмы на графах

5.6.1. Представление
5.6.2. Обход в ширину
5.6.3. Обход в глубину
5.6.4. Топологическая сортировка

5.7. Жадные алгоритмы

5.7.1. Жадная стратегия
5.7.2. Элементы жадной стратегии
5.7.3. Обмен монет
5.7.4. Задача коммивояжера
5.7.5. Задача о рюкзаке

5.8. Поиск кратчайших путей

5.8.1. Задача о кратчайшем пути
5.8.2. Отрицательные дуги и циклы
5.8.3. Алгоритм Дейкстры

5.9. Жадные алгоритмы на графах

5.9.1. Минимальное остовное дерево
5.9.2. Алгоритм Прима
5.9.3. Алгоритм Краскала
5.9.4. Анализ сложности

5.10. Техника Backtracking

5.10.1. Техника Backtracking
5.10.2. Альтернативные техники

Модуль 6. Интеллектуальные системы

6.1. Теория агентов

6.1.1. История концепции
6.1.2. Определение агента
6.1.3. Агенты в системах искусственного интеллекта
6.1.4. Агенты в программной инженерии

6.2. Архитектуры агентов

6.2.1. Процесс рассуждения агента
6.2.2. Реактивные агенты
6.2.3. Дедуктивные агенты
6.2.4. Гибридные агенты
6.2.5. Сравнение

6.3. Информация и знания

6.3.1. Различие между данными, информацией и знаниями
6.3.2. Оценка качества данных
6.3.3. Методы сбора данных
6.3.4. Методы получения информации
6.3.5. Методы приобретения знаний

6.4. Представление знаний

6.4.1. Важность представления знаний
6.4.2. Определение представления знаний через их роли
6.4.3. Характеристики представления знаний

6.5. Онтологии

6.5.1. Введение в метаданные
6.5.2. Философская концепция онтологии
6.5.3. Вычислительная концепция онтологии
6.5.4. Онтологии доменов и онтологии более высокого уровня
6.5.5. Как создать онтологию?

6.6. Онтологические языки и программное обеспечение для создания онтологий

6.6.1. Семантическая тройка RDF, Turtle и N
6.6.2. RDF Schema
6.6.3. OWL
6.6.4. SPARQL
6.6.5. Знакомство с различными инструментами для создания онтологий
6.6.6. Установка и использование Protégé

6.7. Семантическая паутина

6.7.1. Текущее состояние и будущее семантической паутины
6.7.2. Семантические веб-приложения

6.8. Другие модели представления знаний

6.8.1. Словари
6.8.2. Обзор
6.8.3. Таксономия
6.8.4. Тезаурусы
6.8.5. Фолксономии
6.8.6. Сравнение
6.8.7. Карты разума

6.9. Оценка и интеграция представлений знаний

6.9.1. Логика нулевого порядка
6.9.2. Логика первого порядка
6.9.3. Дескрипционная логика
6.9.4. Взаимосвязь между различными типами логики
6.9.5. Пролог: программирование на основе логики первого порядка

6.10. Семантические анализаторы, системы, основанные на знаниях, и экспертные системы

6.10.1. Концепция анализатора
6.10.2. Применение анализатора
6.10.3. Системы, основанные на знаниях
6.10.4. MYCIN, история экспертных систем
6.10.5. Элементы и архитектура экспертных систем
6.10.6. Создание экспертных систем

Модуль 7. Машинное обучение и добыча данных

7.1. Введение в процессы обнаружения знаний и основные концепции машинного обучения

7.1.1. Ключевые понятия процесса обнаружения знаний
7.1.2. Исторический взгляд процесса обнаружения знаний
7.1.3. Этапы процесса обнаружения знаний
7.1.4. Методы, используемые в процессах обнаружения знаний
7.1.5. Характеристики хороших моделей машинного обучения
7.1.6. Типы информации машинного обучения
7.1.7. Основные концепции обучения
7.1.8. Основные концепции обучения без контроля

7.2. Исследование и предварительная обработка данных

7.2.1. Обработка данных
7.2.2. Обработка данных в потоке анализа данных
7.2.3. Типы данных
7.2.4. Преобразование данных
7.2.5. Визуализация и исследование непрерывных переменных
7.2.6. Визуализация и исследование категориальных переменных
7.2.7. Корреляционные меры
7.2.8. Наиболее распространенные графические представления
7.2.9. Введение в многомерный анализ и снижение размерности

7.3. Деревья решений

7.3.1. Алгоритм ID
7.3.2. Алгоритм C
7.3.3. Перегрузка и обрезка
7.3.4. Анализ результатов

7.4. Оценка классификаторов

7.4.1. Матрицы путаницы
7.4.2. Матрицы численной оценки
7.4.3. Kappa-статистика
7.4.4. ROC-кривая

7.5. Правила классификации

7.5.1. Меры по оценке правил
7.5.2. Введение в графическое представление
7.5.3. Алгоритм последовательного оверлея

7.6. Нейронные сети

7.6.1. Основные понятия
7.6.2. Простые нейронные сети
7.6.3. Алгоритм Backpropagation

7.6.4. Введение в рекуррентные нейронные сети

7.7. Байесовские методы
7.7.1. Основные понятия вероятности
7.7.2. Теорема Байеса
7.7.3. Наивный Байес
7.7.4. Введение в байесовские сети

7.8. Регрессия и модели непрерывного отклика

7.8.1. Простая линейная регрессия
7.8.2. Множественная линейная регрессия
7.8.3. Логистическая регрессия
7.8.4. Деревья регрессии
7.8.5. Введение в машины опорных векторов (SVM)
7.8.6. Меры соответствия

7.9. Кластеризация

7.9.1. Основные понятия
7.9.2. Иерархическая кластеризация
7.9.3. Вероятностные методы
7.9.4. Алгоритм EM
7.9.5. Метод B-Cubed
7.9.6. Неявные методы

7.10. Интеллектуальный анализ текста и обработка естественного языка (NLP)

7.10.1. Основные понятия
7.10.2. Создание корпуса
7.10.3. Описательный анализ
7.10.4. Введение в анализ чувств

Модуль 8. Нейронные сети, основа глубокого обучения

8.1. Глубокое обучение

8.1.1. Виды глубокого обучения
8.1.2. Области применения глубокого обучения
8.1.3. Преимущества и недостатки глубокого обучения

8.2. Операции

8.2.1. Сложение
8.2.2. Умножение
8.2.3. Перемещение

8.3. Слои

8.3.1. Входной слой
8.3.2. Скрытый слой
8.3.3. Выходной слой

8.4. Склеивание слоев и операции

8.4.1. Проектирование архитектур
8.4.2. Соединение между слоями
8.4.3. Распространение вперед

8.5. Построение первой нейронной сети

8.5.1. Проектирование сети
8.5.2. Определение весов
8.5.3. Практика сети

8.6. Тренажер и оптимизатор

8.6.1. Выбор оптимизатора
8.6.2. Установление функции потерь
8.6.3. Установление метрики

8.7. Применение принципов нейронных сетей

8.7.1. Функции активации
8.7.2. Обратное распространение
8.7.3. Установка параметров

8.8. От биологических нейронов к искусственным

8.8.1. Функционирование биологического нейрона
8.8.2. Передача знаний искусственным нейронам
8.8.3. Установление взаимоотношений между ними

8.9. Реализация MLP (многослойного перцептрона) с помощью Keras

8.9.1. Определение структуры сети
8.9.2. Составление модели
8.9.3. Обучение модели

8.10. Тонкая настройка гиперпараметров нейронных сетей

8.10.1. Выбор функции активации
8.10.2. Установка скорости обучения
8.10.3. Настройка весов

Модуль 9. Обучение глубоких нейронных сетей

9.1. Градиентные задачи

9.1.1. Методы оптимизации градиента
9.1.2. Стохастические градиенты
9.1.3. Методы инициализации весов

9.2. Повторное использование предварительно обученных слоев

9.2.1. Перенос результатов обучения
9.2.2. Извлечение признаков
9.2.3. Глубокое обучение

9.3. Оптимизаторы

9.3.1. Стохастические оптимизаторы градиентного спуска
9.3.2. Оптимизаторы Adam и RMSprop
9.3.3. Современные оптимизаторы

9.4. Программирование скорости обучения

9.4.1. Автоматическое управление скоростью обучения
9.4.2. Циклы обучения
9.4.3. Условия сглаживания

9.5. Переоценка

9.5.1. Перекрестная валидация
9.5.2. Регуляризация
9.5.3. Метрики оценки

9.6. Практические рекомендации

9.6.1. Конструкция модели
9.6.2. Выбор метрик и параметров оценки
9.6.3. Проверка гипотез

9.7. Трансферное обучение

9.7.1. Перенос результатов обучения
9.7.2. Извлечение признаков
9.7.3. Глубокое обучение

9.8. Расширение данных

9.8.1. Преобразования изображений
9.8.2. Формирование синтетических данных
9.8.3. Преобразование текста

9.9. Практическое применение трансферного обучения

9.9.1. Перенос результатов обучения
9.9.2. Извлечение признаков
9.9.3. Глубокое обучение

9.10. Регуляризация

9.10.1. L и L
9.10.2. Регуляризация по принципу максимальной энтропии
9.10.3. Dropout

Модуль 10. Настройка моделей и обучение с помощью TensorFlow

10.1. TensorFlow

10.1.1. Использование библиотеки TensorFlow
10.1.2. Обучение модели с помощью TensorFlow
10.1.3. Операции с графиками в TensorFlow

10.2. TensorFlow и NumPy

10.2.1. Вычислительная среда NumPy для TensorFlow
10.2.2. Использование массивов NumPy в TensorFlow
10.2.3. Операции NumPy для графиков TensorFlow

10.3. Настройка моделей и алгоритмов обучения

10.3.1. Построение пользовательских моделей с помощью TensorFlow
10.3.2. Управление параметрами обучения
10.3.3. Использование методов оптимизации для обучения

10.4. Функции и графики TensorFlow

10.4.1. Функции в TensorFlow
10.4.2. Использование графиков для обучения модели
10.4.3. Оптимизация графов с помощью операций TensorFlow

10.5. Загрузка и предварительная обработка данных с помощью TensorFlow

10.5.1. Загрузка наборов данных с помощью TensorFlow
10.5.2. Предварительная обработка данных с помощью TensorFlow
10.5.3. Использование инструментов TensorFlow для манипулирования данными

10.6. API tfdata

10.6.1. Использование API tfdata для обработки данных
10.6.2. Построение потоков данных с помощью tfdata
10.6.3. Использование API tfdata для обучения моделей

10.7. Формат TFRecord

10.7.1. Использование API TFRecord для сериализации данных
10.7.2. Загрузка файлов TFRecord с помощью TensorFlow
10.7.3. Использование файлов TFRecord для обучения моделей

10.8. Слои предварительной обработки в Keras

10.8.1. Использование API предварительной обработки в Keras
10.8.2. Построение pipelined предварительной обработки с помощью Keras
10.8.3. Использование API предварительной обработки в Keras для обучения моделей

10.9. Проект TensorFlow Datasets

10.9.1. Использование TensorFlow Datasets для загрузки данных
10.9.2. Предварительная обработка данных с помощью TensorFlow Datasets
10.9.3. Использование TensorFlow Datasets для обучения моделей

10.10. Построение приложения глубокого обучения с помощью TensorFlow

10.10.1. Практическое применение
10.10.2. Построение приложения глубокого обучения с помощью TensorFlow
10.10.3. Обучение модели с помощью TensorFlow
10.10.4. Использование приложения для прогнозирования результатов

Модуль 11. Глубокое компьютерное зрение с использованием конволюционных нейронных сетей

11.1. Архитектура Visual Cortex

11.1.1. Функции зрительной коры
11.1.2. Теории вычислительного зрения
11.1.3. Модели обработки изображений

11.2. Конволюционные слои

11.2.1. Повторное использование весов в свертке
11.2.2. Конволюция D
11.2.3. Функции активации

11.3. Слои кластеризации и реализация слоев кластеризации с помощью Keras

11.3.1. Pooling и Striding
11.3.2. Flattening
11.3.3. Виды Pooling

11.4. Архитектуры CNN

11.4.1. Архитектура VGG
11.4.2. Архитектура AlexNet
11.4.3. Архитектура ResNet

11.5. Реализация CNN ResNet - с использованием Keras

11.5.1. Инициализация весов
11.5.2. Определение входного слоя
11.5.3. Определение выходного слоя

11.6. Использование предварительно обученных моделей Keras

11.6.1. Характеристики предварительно обученных моделей
11.6.2. Использование предварительно обученных моделей
11.6.3. Преимущества предварительно обученных моделей

11.7. Предварительно обученные модели для трансферного обучения

11.7.1. Трансферное обучение
11.7.2. Процесс трансферного обучения
11.7.3. Преимущества трансферного обучения

11.8. Классификация и локализация в глубоком компьютерном зрении

11.8.1. Классификация изображений
11.8.2. Определение местоположения объектов на изображениях
11.8.3. Обнаружение объектов

11.9. Обнаружение объектов и их отслеживание

11.9.1. Методы обнаружения объектов
11.9.2. Алгоритмы отслеживания объектов
11.9.3. Методы отслеживания и трассировки

11.10. Семантическая сегментация

11.10.1. Глубокое обучение для семантической сегментации
11.10.2. Обнаружение краев
11.10.3. Методы сегментации, основанные на правилах

Модуль 12. Обработка естественного языка (NLP) с помощью естественных рекуррентных сетей (RNN) и внимания

12.1. Генерация текста с использованием RNN

12.1.1. Обучение RNN для генерации текста
12.1.2. Генерация естественного языка с помощью RNN
12.1.3. Приложения для генерации текста с помощью RNN

12.2. Создание обучающего набора данных

12.2.1. Подготовка данных для обучения RNN
12.2.2. Хранение обучающего набора данных
12.2.3. Очистка и преобразование данных
12.2.4. Анализ настроений

12.3. Ранжирование мнений с помощью RNN

12.3.1. Выявление тем в комментариях
12.3.2. Анализ настроений с помощью алгоритмов глубокого обучения

12.4. Сеть кодирования-декодирования для нейронного машинного перевода

12.4.1. Обучение RNN для машинного перевода
12.4.2. Использование кодирующей-декодирующей сети для машинного перевода
12.4.3. Повышение точности машинного перевода с помощью RNN

12.5. Механизмы внимания

12.5.1. Реализация механизмов внимания в RNN
12.5.2. Использование механизмов внимания для повышения точности модели
12.5.3. Преимущества механизмов внимания в нейронных сетях

12.6. Модели трансформеров

12.6.1. Использование моделей трансформеров для обработки естественного языка
12.6.2. Применение моделей трансформеров для зрения
12.6.3. Преимущества моделей трансформеров

12.7. Трансформеры для зрения

12.7.1. Применение моделей трансформеров для зрения
12.7.2. Предварительная обработка данных изображений
12.7.3. Обучение модели трансформеров для зрения

12.8. Библиотека трансформеров Hugging Face

12.8.1. Использование библиотеки трансформеров Hugging Face
12.8.2. Применение библиотеки трансформеров Hugging Face
12.8.3. Преимущества библиотеки трансформеров Hugging Face

12.9. Другие библиотеки трансформеров. Сравнение

12.9.1. Сравнение различных библиотек трансформеров
12.9.2. Использование других библиотек трансформеров
12.9.3. Преимущества других библиотек трансформеров

12.10. Разработка NLP-приложения с использованием RNN и внимания. Практическое применение

12.10.1. Разработка приложения для обработки естественного языка с использованием RNN и внимания
12.10.2. Использование RNN, механизмов ухода и моделей трансформеров при внедрении
12.10.3. Оценка практического применения

Модуль 13. Автоэнкодеры, GAN и диффузионные модели

13.1. Эффективные представления данных

13.1.1. Снижение размерности
13.1.2. Глубокое обучение
13.1.3. Компактные представления

13.2. Реализация РСА с неполным линейным автоматическим кодировщиком

13.2.1. Процесс обучения
13.2.2. Внедрение Python
13.2.3. Использование тестовых данных

13.3. Стековые автоматические кодировщики

13.3.1. Глубокие нейронные сети
13.3.2. Построение архитектур кодирования
13.3.3. Использование инструментов

13.4. Конволюционные автокодировщики

13.4.1. Конструкция конволюционной модели
13.4.2. Обучение конволюционной модели
13.4.3. Оценка результатов

13.5. Шумоподавление автоматических энкодеров

13.5.1. Применение фильтров
13.5.2. Проектирование моделей кодирования
13.5.3. Использование методов регуляризации

13.6. Автоматические разреженные автоматические энкодеры

13.6.1. Повышение эффективности кодирования
13.6.2. Минимизация числа параметров
13.6.3. Применение методов регуляризации

13.7. Автоматические вариационные энкодеры

13.7.1. Использование вариационной оптимизации
13.7.2. Глубокое обучение без контроля
13.7.3. Глубокие латентные представления

13.8. Генерация модных изображений MNIST

13.8.1. Распознание паттернов
13.8.2. Генерация изображений
13.8.3. Обучение глубоких нейронных сетей

13.9. Генеративные адверсарные сети и диффузионные модели

13.9.1. Формирование контента из изображений
13.9.2. Моделирование распределений данных
13.9.3. Использование состязательных сетей

13.10. Реализация моделей

13.10.1. Практическое применение
13.10.2. Реализация моделей
13.10.3. Использование реальных данных
13.10.4. Оценка результатов

Модуль 14. Биоинспирированные вычисления

14.1. Введение в биоинспирированные вычисления

14.1.1. Введение в биоинспирированные вычисления

14.2. Алгоритмы социальной адаптации

14.2.1. Биоинспирированные алгоритмы, основанные на муравьиных колониях
14.2.2. Разновидности алгоритмов муравьиных колоний
14.2.3. Алгоритмы, основанные на облаках с частицами

14.3. Генетические алгоритмы

14.3.1. Общая структура
14.3.2. Внедрение основных операторов

14.4. Стратегии освоения и использования пространства для генетических алгоритмов

14.4.1. Алгоритм CHC
14.4.2. Мультимодальные задачи

14.5. Модели эволюционных вычислений (I)

14.5.1. Эволюционные стратегии
14.5.2. Эволюционное программирование
14.5.3. Алгоритмы, основанные на дифференциальной эволюции

14.6. Модели эволюционных вычислений (II)

14.6.1. Модели эволюции, основанные на оценке алгоритмов распределения (EDA)
14.6.2. Генетическое программирование

14.7. Применение эволюционного программирования при нарушениях обучаемости

14.7.1. Обучение на основе правил
14.7.2. Эволюционные методы в задачах выбора экземпляра

14.8. Многоцелевые задачи

14.8.1. Концепция доминирования
14.8.2. Применение эволюционных алгоритмов для решения многоцелевых задач

14.9. Нейронные сети (I)

14.9.1. Введение в нейронные сети
14.9.2. Практический пример с нейронными сетями

14.10. Нейронные сети (II)

14.10.1. Примеры использования нейронных сетей в медицинских исследованиях
14.10.2. Примеры использования нейронных сетей в экономике
14.10.3. Примеры использования нейронных сетей в искусственном зрении

Модуль 15. Искусственный интеллект: стратегии и применения

15.1. Финансовые услуги

15.1.1. Последствия применения искусственного интеллекта (ИИ) в сфере финансовых услуг: возможности и проблемы
15.1.2. Примеры использования
15.1.3. Потенциальные риски, связанные с использованием ИИ
15.1.4. Потенциальные будущие разработки/использования ИИ

15.2. Последствия применения искусственного интеллекта в здравоохранении

15.2.1. Последствия ИИ в секторе здравоохранения. Возможности и проблемы
15.2.2. Примеры использования

15.3. Риски, связанные с использованием ИИ в здравоохранении

15.3.1. Потенциальные риски, связанные с использованием ИИ
15.3.2. Потенциальные будущие разработки/использования ИИ

15.4. Розничная торговля

15.4.1. Последствия ИИ в розничной торговле. Возможности и проблемы
15.4.2. Примеры использования
15.4.3. Потенциальные риски, связанные с использованием ИИ
15.4.4. Потенциальные будущие разработки/использования ИИ

15.5. Промышленность

15.5.1. Последствия ИИ для промышленности. Возможности и проблемы
15.5.2. Примеры использования

15.6. Потенциальные риски, связанные с использованием ИИ в промышленности

15.6.1. Примеры использования
15.6.2. Потенциальные риски, связанные с использованием ИИ
15.6.3. Потенциальные будущие разработки/использования ИИ

15.7. Государственное управление

15.7.1. Последствия использования искусственного интеллекта в государственном управлении. Возможности и проблемы
15.7.2. Примеры использования
15.7.3. Потенциальные риски, связанные с использованием ИИ
15.7.4. Потенциальные будущие разработки/использования ИИ

15.8. Образовательная сфера

15.8.1. Последствия использования искусственного интеллекта в образовании. Возможности и проблемы
15.8.2. Примеры использования
15.8.3. Потенциальные риски, связанные с использованием ИИ
15.8.4. Потенциальные будущие разработки/использования ИИ

15.9. Лесное и сельское хозяйство

15.9.1. Последствия ИИ для лесного и сельского хозяйства. Возможности и проблемы
15.9.2. Примеры использования
15.9.3. Потенциальные риски, связанные с использованием ИИ
15.9.4. Потенциальные будущие разработки/использования ИИ

15.10. Кадровые ресурсы

15.10.1. Последствия ИИ для кадровых ресурсов. Возможности и проблемы
15.10.2. Примеры использования
15.10.3. Потенциальные риски, связанные с использованием ИИ
15.10.4. Потенциальные будущие разработки/использования ИИ

Модуль 16. Технический анализ финансовых рынков с помощью искусственного интеллекта

16.1. Анализ и визуализация технических индикаторов с помощью Plotly и Dash

16.1.1. Реализация интерактивной графики с помощью Plotly
16.1.2. Расширенная визуализация временных рядов с помощью Matplotlib
16.1.3. Создание динамических приборных панелей в режиме реального времени с помощью Dash

16.2. Оптимизация и автоматизация технических индикаторов с помощью Scikit-learn

16.2.1. Автоматизация индикаторов с помощью Scikit-learn
16.2.2. Оптимизация технических индикаторов
16.2.3. Создание пользовательских индикаторов с помощью Keras

16.3. Распознавание финансовых образов с помощью CNN

16.3.1. Использование CNN в TensorFlow для выявления закономерностей в графах
16.3.2. Улучшение моделей распознавания с помощью методов трансферного обучения
16.3.3. Проверка моделей распознавания на рынках в режиме реального времени

16.4. Количественные торговые стратегии с QuantConnect

16.4.1. Построение алгоритмических торговых систем с помощью QuantConnect
16.4.2. Бэк-тестирование стратегий с помощью QuantConnect
16.4.3. Интеграция машинного обучения в торговые стратегии с помощью QuantConnect

16.5. Алгоритмическая торговля с применением обучения с подкреплением с использованием TensorFlow

16.5.1. Обучение с подкреплением для трейдинга
16.5.2. Создание торговых агентов с помощью обучения с подкреплением от TensorFlow 
16.5.3. Моделирование и настройка агентов в OpenAI Gym

16.6. Моделирование временных рядов с помощью LSTM на Keras для прогнозирования цен

16.6.1. Применение LSTM для прогнозирования цен
16.6.2. Реализация LSTM-моделей для финансовых временных рядов в Keras
16.6.3. Оптимизация и подбор параметров в моделях временных рядов

16.7. Применение объяснимого искусственного интеллекта (XAI) в финансах

16.7.1. Применение XAI в финансовой сфере
16.7.2. Применение LIME для торговых моделей
16.7.3. Использование SHAP для анализа вклада признаков в решения ИИ

16.8. Высокочастотная торговля (HFT), оптимизированная с помощью моделей машинного обучения

16.8.1. Разработка ML-моделей для HFT
16.8.2. Реализация HFT-стратегий с помощью TensorFlow
16.8.3. Моделирование и оценка HFT в контролируемых условиях

16.9. Анализ волатильности с помощью машинного обучения

16.9.1. Применение интеллектуальных моделей для прогнозирования волатильности
16.9.2. Реализация моделей волатильности с помощью PyTorch
16.9.3. Интеграция анализа волатильности в управление портфельными рисками

16.10. Оптимизация портфеля с помощью генетических алгоритмов

16.10.1. Основы генетических алгоритмов для оптимизации инвестиций на рынках
16.10.2. Реализация генетических алгоритмов для выбора портфеля
16.10.3. Оценка стратегий оптимизации портфеля

Модуль 17. Фундаментальный анализ финансовых рынков с помощью ИИ

17.1. Предиктивное моделирование финансовых показателей с помощью Scikit-Learn

17.1.1. Линейная и логистическая регрессия для финансового прогнозирования с помощью Scikit-Learn
17.1.2. Использование нейронных сетей с TensorFlow для прогнозирования доходов и прибыли
17.1.3. Проверка прогностических моделей с помощью перекрестной валидации с использованием Scikit-Learn

17.2. Оценка стоимости компании с помощью глубокого обучения

17.2.1. Автоматизация модели дисконтированного денежного потока (DCF) с помощью TensorFlow
17.2.2. Продвинутые модели оценки с использованием PyTorch
17.2.3. Интеграция и анализ множественных моделей оценки с помощью Pandas

17.3. Анализ финансовой отчетности с помощью NLP через ChatGPT

17.3.1. Извлечение ключевой информации из годовых отчетов с помощью ChatGPT
17.3.2. Анализ настроений аналитических отчетов и финансовых новостей с помощью ChatGPT
17.3.3. Реализация моделей NLP с помощью ChatGPT для интерпретации финансовых текстов

17.4. Анализ рисков и кредитов с помощью машинного обучения

17.4.1. Модели кредитного скоринга с использованием SVM и деревьев решений в Scikit-Learn
17.4.2. Анализ кредитного риска компаний и облигаций с помощью TensorFlow
17.4.3. Визуализация данных о рисках с помощью Tableau

17.5. Кредитный анализ с помощью Scikit-Learn

17.5.1. Внедрение моделей кредитного скоринга
17.5.2. Анализ кредитного риска с помощью RandomForest в Scikit-Learn
17.5.3. Расширенная визуализация результатов кредитования с помощью Tableau

17.6. Оценка устойчивости ESG с использованием методов добычи данных

17.6.1. Методы извлечения данных ESG
17.6.2. Моделирование воздействия ESG с помощью регрессионных методов
17.6.3. Применение ESG-анализа при принятии инвестиционных решений

17.7. Бенчмаркинг секторов с помощью искусственного интеллекта через TensorFlow и Power BI

17.7.1. Сравнительный анализ компаний с помощью ИИ
17.7.2. Прогнозное моделирование отраслевой эффективности с помощью TensorFlow
17.7.3. Внедрение отраслевых панелей управления с помощью Power BI

17.8. Управление портфелем с оптимизацией с помощью ИИ

17.8.1. Оптимизация портфеля
17.8.2. Использование методов машинного обучения для оптимизации портфеля с помощью Scikit-Optimize
17.8.3. Внедрение и оценка эффективности алгоритмов в управлении портфелем

17.9. Обнаружение финансового мошенничества с помощью ИИ с использованием TensorFlow и Keras

17.9.1. Основные концепции и методы обнаружения мошенничества с помощью ИИ
17.9.2. Построение моделей обнаружения с помощью нейронных сетей в TensorFlow
17.9.3. Практическое внедрение систем обнаружения мошенничества при проведении финансовых операций

17.10. Анализ и моделирование слияний и поглощений с помощью ИИ

17.10.1. Использование предиктивных моделей ИИ для оценки слияний и поглощений
17.10.2. Моделирование сценариев после слияния с использованием методов машинного обучения
17.10.3. Оценка финансовых последствий слияний и поглощений с помощью интеллектуальных моделей

Модуль 18. Крупномасштабная обработка финансовых данных

18.1. Большие данные в финансовом контексте

18.1.1. Ключевые особенности использования больших данных в финансах
18.1.2. Важность 5 V (Volume, Velocity, Variety, Veracity, Value) в финансовых данных
18.1.3. Примеры использования больших данных в анализе рисков и соблюдения нормативных требований

18.2. Технологии хранения и управления большими финансовыми данными

18.2.1. Системы баз данных NoSQL для финансовых хранилищ
18.2.2. Использование хранилищ данных и озер данных в финансовом секторе
18.2.3. Сравнение локальных и облачных решений

18.3. Инструменты обработки финансовых данных в режиме реального времени

18.3.1. Знакомство с такими инструментами, как Apache Kafka и Apache Storm
18.3.2. Приложения для обработки данных в реальном времени для обнаружения мошенничества
18.3.3. Преимущества обработки данных в реальном времени в алгоритмической торговле

18.4. Интеграция и очистка данных в финансовой сфере

18.4.1. Методы и инструменты для интеграции данных из различных источников
18.4.2. Методы очистки данных для обеспечения качества и точности
18.4.3. Проблемы стандартизации финансовых данных

18.5. Техники интеллектуального анализа данных, применяемые на финансовых рынках

18.5.1. Алгоритмы ранжирования и прогнозирования на основе рыночных данных
18.5.2. Анализ настроений в социальных сетях для прогнозирования движения рынка
18.5.3. Добыча данных для выявления моделей торговли и поведения инвесторов

18.6. Расширенная визуализация данных для финансового анализа

18.6.1. Инструменты и программное обеспечение для визуализации финансовых данных
18.6.2. Разработка интерактивных панелей для мониторинга рынков
18.6.3. Роль визуализации в коммуникации при анализе рисков

18.7. Использование Hadoop и связанных с ним экосистем в финансовой сфере

18.7.1. Ключевые компоненты экосистемы Hadoop и их применение в финансовой сфере
18.7.2. Примеры использования Hadoop для анализа больших объемов транзакций
18.7.3. Преимущества и проблемы интеграции Hadoop в существующую финансовую инфраструктуру

18.8. Применение Spark в финансовом анализе

18.8.1. Spark для анализа данных в реальном времени и в пакетном режиме
18.8.2. Построение прогнозных моделей с помощью Spark MLlib
18.8.3. Интеграция Spark с другими инструментами для работы с большими данными в финансовой сфере

18.9. Безопасность и конфиденциальность данных в финансовом секторе

18.9.1. Правила и нормы защиты данных (GDPR, CCPA)
18.9.2. Стратегии шифрования и управления доступом к конфиденциальным данным
18.9.3. Влияние утечек данных на финансовые учреждения

18.10. Влияние облачных вычислений на крупномасштабный финансовый анализ

18.10.1. Преимущества облачных вычислений для масштабируемости и эффективности финансового анализа
18.10.2. Сравнение поставщиков облачных услуг и их сервисов, ориентированных на финансы
18.10.3. Примеры миграции в облако в крупных финансовых учреждениях

Модуль 19. Алгоритмические торговые стратегии

19.1. Основы алгоритмической торговли

19.1.1. Алгоритмические торговые стратегии
19.1.2. Ключевые технологии и платформы для разработки торговых алгоритмов
19.1.3. Преимущества и проблемы автоматической торговли по сравнению с ручной

19.2. Проектирование систем автоматизированной торговли

19.2.1. Структура и компоненты автоматизированной торговой системы
19.2.2. Программирование алгоритмов: от идеи до реализации
19.2.3. Латентность и аппаратные аспекты в торговых системах

19.3. Бэк-тестинг и оценка торговых стратегий

19.3.1. Методики эффективного бэк-тестинга алгоритмических стратегий
19.3.2. Важность качественных исторических данных при бэк-тестинге
19.3.3. Ключевые показатели эффективности для оценки торговых стратегий

19.4. Оптимизация стратегий с помощью машинного обучения

19.4.1. Применение методов контролируемого обучения для совершенствования стратегий
19.4.2. Использование оптимизации роя частиц и генетических алгоритмов
19.4.3. Проблемы, связанные с чрезмерной подгонкой при оптимизации торговых стратегий

19.5. Высокочастотная торговля (HFT)

19.5.1. Принципы и технологии, лежащие в основе HFT
19.5.2. Влияние HFT на ликвидность и волатильность рынка
19.5.3. Распространенные стратегии HFT и их эффективность

19.6. Алгоритмы выполнения заказов

19.6.1. Типы алгоритмов реализации и их практическое применение
19.6.2. Алгоритмы для минимизации воздействия на рынок
19.6.3. Использование симуляторов для улучшения исполнения заказов

19.7. Арбитражные стратегии на финансовых рынках

19.7.1. Статистический арбитраж и ценообразование на рынках слияний
19.7.2. Арбитраж индексов и ETF
19.7.3. Технические и юридические проблемы арбитража в современной торговле

19.8. Управление рисками в алгоритмической торговле

19.8.1. Меры риска для алгоритмической торговли
19.8.2. Интеграция лимитов риска и стоп-лоссов в алгоритмы
19.8.3. Специфические риски алгоритмической торговли и способы их снижения

19.9. Вопросы регулирования и соблюдения нормативных требований в алгоритмической торговле

19.9.1. Глобальные нормативные акты, влияющие на алгоритмическую торговлю
19.9.2. Соблюдение нормативных требований и отчетность в автоматизированной среде
19.9.3. Этические последствия автоматизированной торговли

19.10. Будущее алгоритмической торговли и новые тенденции

19.10.1. Влияние искусственного интеллекта на будущее развитие алгоритмической торговли
19.10.2. Новые технологии блокчейн и их применение в алгоритмической торговле
19.10.3. Тенденции в адаптации и кастомизации торговых алгоритмов

Модуль 20. Этические и нормативные аспекты ИИ в финансах

20.1. Этика искусственного интеллекта в применении к финансам

20.1.1. Основополагающие этические принципы разработки и использования ИИ в финансах
20.1.2. Практические кейсы этических дилемм при применении ИИ в финансовой сфере
20.1.3. Разработка этических кодексов поведения для специалистов в области финансовых технологий

20.2. Международные нормативные акты, влияющие на использование ИИ на финансовых рынках

20.2.1. Обзор основных международных финансовых правил по ИИ
20.2.2. Сравнение политики регулирования ИИ в разных юрисдикциях
20.2.3. Последствия регулирования ИИ для финансовых инноваций

20.3. Прозрачность и понятность моделей ИИ в финансах

20.3.1. Важность прозрачности алгоритмов ИИ для доверия пользователей
20.3.2. Техники и инструменты для улучшения объяснимости моделей ИИ
20.3.3. Проблемы внедрения интерпретируемых моделей в сложных финансовых средах

20.4. Управление рисками и соблюдение этических норм при использовании ИИ

20.4.1. Стратегии снижения рисков, связанных с внедрением ИИ в финансах
20.4.2. Соблюдение этических норм при разработке и применении технологий ИИ
20.4.3. Этический надзор и аудит систем ИИ в финансовых операциях

20.5. Социально-экономическое воздействие ИИ на финансовые рынки

20.5.1. Влияние ИИ на стабильность и эффективность финансовых рынков
20.5.2. ИИ и его влияние на занятость и профессиональные навыки в сфере финансов
20.5.3. Социальные выгоды и риски масштабной финансовой автоматизации

20.6. Конфиденциальность и защита данных в финансовых приложениях ИИ

20.6.1. Положения о конфиденциальности данных, применимые к технологиям ИИ в финансовой сфере
20.6.2. Методы защиты персональных данных в финансовых системах на основе ИИ
20.6.3. Проблемы управления конфиденциальными данными в предиктивных и аналитических моделях

20.7. Алгоритмическая предвзятость и справедливость в финансовых моделях ИИ

20.7.1. Выявление и устранение погрешностей в алгоритмах финансового ИИ
20.7.2. Стратегии обеспечения справедливости в моделях автоматического принятия решений
20.7.3. Влияние алгоритмической предвзятости на финансовую доступность и справедливость

20.8. Проблемы нормативного надзора в сфере финансового ИИ

20.8.1. Трудности мониторинга и контроля передовых технологий ИИ
20.8.2. Роль финансовых органов в постоянном надзоре за ИИ
20.8.3. Необходимость адаптации нормативно-правовой базы в условиях развития технологий ИИ

20.9. Стратегии ответственного развития технологий ИИ в финансах

20.9.1. Передовая практика устойчивого и ответственного развития ИИ в финансовом секторе
20.9.2. Инициативы и фреймворки для этической оценки проектов ИИ в сфере финансов
20.9.3. Сотрудничество между регулирующими органами и бизнесом для продвижения ответственной практики

20.10. Будущее регулирования ИИ в финансовом секторе

20.10.1. Новые тенденции и будущие проблемы в регулировании ИИ в финансовой сфере
20.10.2. Подготовка правовой базы для внедрения инноваций в сфере финансовых технологий
20.10.3. Международный диалог и сотрудничество для эффективного и унифицированного регулирования ИИ в финансах

Вы получите надежную и современную подготовку, сочетающую передовую теорию с практическими приложениями, чтобы стать лидером на стыке искусственного интеллекта и финансов"