Машинное обучение в финансовых сервисах

В курсе рассказывается методология моделирования и бизнес-ориентированный взгляд на решение задач в кредитных рисках. Описывается универсальный подход к построению моделей машинного обучения. Рассматриваются примеры бизнес особенностей, которые влияют на построение модели и дальнейшее использование.

Цель: целью подготовки слушателей по программе является совершенствование и получение новых компетенций, необходимых для профессиональной деятельности специалиста в области рискового моделирования и кредитных рисков с точки зрения построения моделей машинного обучения или повышение профессионального уровня в рамках имеющейся квалификации.

Задачи:

1. научиться переводить запрос из бизнеса постановки в ML задачу;

2. изучить framework для разработки и валидации модели машинного обучения в области рискового моделирования;

3. освоить подходы к построению моделей машинного обучения для решения бизнес задач.

Язык преподавания: русский, часть литературы – на английском.

К участию приглашаются студенты с уровнем образования: минимум -  4 курс бакалавриата/специалитета, максимум – 2 курс магистратуры.

Рекомендуемые направления обучения студентов: физико-математические, технические, информационные науки, экономика и финансы, а также смежные с ними направления.

Для освоения содержания дополнительной профессиональной программы слушатели должны владеть следующими знаниями и компетенциями:

• знания основ бизнес-анализа и моделирования бизнес-процессов;
• знание основ программирования и использование библиотек машинного обучения на языке Python;
• знание основ машинного обучения;
• базовых алгоритмов;
• метрик валидации;
• знание основ математической статистики и статистического анализа;
• проверка гипотез;
• интервальное оценивание;
• описательные статистики;
• навыки решения прикладных задач с применением информационных технологий и цифровых инструментов;
• командной работы, принятия решений, эффективных коммуникаций;
• уровень английского языка, достаточный для изучения дополнительных материалов по тематике информационных технологий на английском языке (рекомендуемый уровень: Intermediate и выше).

Форма организации отбора слушателей

Индивидуальный отбор.

Задания для проведения отбора слушателей:

Отбор производится по вступительному тестированию, резюме и мотивационному письму.

Тест

Примеры заданий:

• Увеличение какого из гиперпараметров может привести к переобучению случайного леса?
• Если коэффициент корреляции Пирсона между двумя случайными величинами равен нулю, их значения всё равно могут быть связаны друг с другом. Это утверждение верно?
• Даны значения целевой переменной в обучающем файле: [0,0,0,1,1,1,1,1]. Чему равна энтропия переменной?
• Имеется кортеж вида T = (4, 2, 3). Какая из операций приведёт к тому, что имя T будет ссылаться на кортеж (1, 2, 3)?
• Для чего в Python используется встроенная функция enumerate()?
• Какая гипотеза проверяется с помощью вычисления p-value для коэффициентов регрессии?

Резюме

Резюме должно в себя включать:

• информацию о пройденных курсах по программированию на Python, Машинному обучению, Data Science;
• информацию об участиях в соревнованиях по машинному обучению (Kagle, хакатоны и т.д.);
• ссылку на GitHub репозиторий с примерами выполненных проектов;
• опыт работы в области анализа данных/data science/машинного обучения.

Мотивационное письмо

Мотивационное письмо должно в себя включать:

• опыт работы (стажировка\опыт работы в коммерческой компании, лаборатории, научная деятельность);
• мотивацию к математическому моделированию в области Финансов и рисков.

Критерии отбора слушателей

Тест по темам (0-30 баллов):

• статистика (от 0 до 10 блок);
• программирование на Python (от 0 до 10 блок);
• машинное обучение (от 0 до 10 блок).

Критерий начисления баллов за тест: от 0 до 10 баллов за каждый блок теста (статистика, python, машинное обучение).

Суммарное минимальное количество баллов для прохождения теста 12 баллов и не менее 4 баллов в каждом из блоков.

Экспертная оценка резюме (0-25 баллов). Критерии начисления дополнительных баллов:

• наличие сертификатов о пройденных курсах соответствующего профиля или оконченный курс в рамках гос программы обучения (Изучение Python), 0-5 баллов;
• наличие сертификатов о пройденных курсах соответствующего профиля (курсы по направлению Data Science) или оконченный курс в рамках гос программы обучения, 0-5 баллов;
• участие в соревнованиях Kaggle, хакатонах, 0-5 баллов;
• наличие ссылки на репозиторий с портфолио выполненных проектов с применением алгоритмов машинного обучения, в т.ч. учебных, 0-5 баллов;
• наличие опыта работы в области анализа данных/машинного обучения/data science, 0-5 баллов.

Экспертная оценка мотивационного письма (0-10 баллов):

При проставлении баллов учитывается мотивация к изучению предметной области Финансов и рисков (0-10 баллов):

• мотивация к изучению области опирается и раскрывается исходя из предыдущего учебного или профессионального опыта кандидата (6-10 баллов);
• есть мотивация решения прикладных задач методами машинного обучения в коммерческой сфере (3-6 баллов);
• имеется поверхностный интерес к теме (0-3 балла).

Техническим критерием для отбора участников на программу является соблюдение требований (участник является студентом очного обучения, возрастом 18 лет и старше, указанных курсов и направлений обучения). Данный критерий является обязательным, баллы за данный критерий не предусматриваются.

Суммарные значения результатов отображаются в итоговом рейтинге участников. 20 участников, продемонстрировавших наилучшие результаты и выполнивших общие (технические) требования к заявке, приглашаются на обучение по программе. Спорные вопросы решаются на уровне председателя экзаменационной комиссии по проведению вступительных испытаний.

Технологические партнеры:

 ООО «ГлоуБайт»

Обеспечение возможности достижения планируемых результатов в соответствии с целями дополнительной профессиональной программы и получение участниками новых компетенций, заявленных в программе. Отвечает за общую организацию работы, реализует программу путем обеспечения участия преподавателей и экспертов в программе, создание структуры программы.

Всем, кто прошел конкурсный отбор и был приглашен на программу, необходимо предоставить справку с места учебы, взятую не ранее, чем за 3 месяца до начала образовательной программы.

АНО ВО «Университет «Сириус» обеспечивает проживание, проезд / перелет по территории РФ и питание для участников программы.

Плата за обучение на программе не взимается.

К участию в программе допускаются только граждане РФ.