#商业分析  #数据科学  #金融应用  #机器学习

1、人工智慧数据分析、模式识别、自然语言处理和机器人流程自动化如何适应新兴的金融科技趋势？

2、人工智慧技术如何影响金融业者、大型科技公司和金融科技初创公司的竞争格局？

3、人工智慧和机器学习对金融部门的公平性、可解释性、隐私性、稳健性和弹性提出了哪些新挑战？这些新的应用工具应该如何适应金融业的监管结构？

传统的财务报告，如损益表、资产负债表、现金流量和方差分析已经不能说明金融从业者进行关键指标的分析工作。当今的企业需要基于数据的财务分析来获得更深入的金融洞察力，从而将业务运营与长期价值联系起来，即时建模有效地分配资源。

本课程重点介绍了人工智慧的应用，包括风险管理、资产管理中的alpha生成和管理、机器人和虚拟助手、营销、客户关系经历增强、欺诈检测和演算法交易。在保险方面，我们着眼于核心支援实践和面向客户的活动。我们还解决了在招聘中使用人工智慧的问题。

本课程介绍机器学习，特别强调金融应用。学习如何发现大型数据集中的模式以及如何进行预测。使用 Python 程式设计语言，获得实施机器学习演算法并了解分类和回归的技能。

● 机器学习简介，特别是在金融领域的应用

● 发现大型数据集中模式和进行预测的能力

● Excel内部程序语言或者使用Python程式设计语言实现机器学习演算法的能力

财务分析师负责评估组织的生存能力、稳定性和财务状况，利用财务报表以及领先的行业工具和技术。随着大数据的兴起，组织现在正在将数据驱动的分析作为识别相关财务趋势、准备洞察力和为财务经理总结资讯的一种方式。

随着数位技术的不断发展，特别是企业中，我们可以发现潜在的解决方案——可以从非数位数据中强化财务核算及提高财务管理水准。

课程大纲：

第一周：回归任务

一、机器学习：

机器学习概念

机器学习的使用和应用场景

备用数据：非数值数据学习：图像、文字

符号和假设语法的使用

数据模型的应用

二、线性回归：

线性模的意义

模型“误差”学习

金融应用：损益归属

金融预测分析

回归对冲投资

第二周：分类任务

分类任务是什麽？

它与回归任务有何不同？

公司财务：公司能否偿还贷款？

金融应用：股票涨幅预判

第三周：神经网络

背景和历史

它与回归和分类任务的“经典”技术有何不同？

创建神经网路来解决回归和分类任务

非数值数据学习：图像分类

财务应用：通过分析供应链预测未来销售额

第四周：神经网路的局限性和危险性

机器学习的影响：

意外偏差

欺骗神经网路：对抗性

目标不一致的危险

第五周：最终成果发表