Eğitim Takvimi
Bu eğitimde R programlama diline ilişkin temel unsurlara yer verilecektir. Eğitimde R'ın nasıl kurulacağından başlayarak, R ve RStudio kullanımı, temel programlama altyapısı, fonksiyon yazma, veri alışverişi ve hata ayıklama gibi R'ı kullanmaya başlamak için gerekli ana konular ele alınacaktır.
Bu eğitimde Python programlama diline ilişkin temel unsurlara yer verilecektir. Eğitimde Python’ın Google Cloud sunucuları üzerinde nasıl çalıştıralacağından başlayarak, Python ve Jupyter notebook kullanımı, temel programlama altyapısı, fonksiyon yazma, veri alışverişi ve hata ayıklama gibi Python'ı kullanmaya başlamak için gerekli ana konular ele alınacaktır.
Bu eğitimde R içerisinde yer alan oldukça güçlü veri analitiği ve görselleştirme araçları ele alınacaktır. R'da veri alış-verişine ilişkin komutlar yanında, farklı türden verilerin düzenli bir formata dönüştürülmesi, büyük veri setleri ile çalışmak, verilerden farklı analitiklerin üretilmesi ve grafiklenmesi eğitimin ana konularıdır.
Bu eğitimde Python içerisinde yer alan veri analitiği ve statik-dinamik görselleştirme araçları ele alınacaktır. Python'da veri alış-verişine ilişkin komutların yanında, farklı türden verilerin düzenli bir formata dönüştürülmesi, büyük veri setleri ile çalışmak, verilerden farklı analitiklerin üretilmesi ve grafiklenmesi eğitimin ana konularıdır
Bu eğitimde R'da yer alan istatistik ve ekonometri uygulamaları ele alınacaktır. Bu çerçevede ilk olarak istatiksel hesaplamalarda kullanılan komutlar işlenecek, sonrasında ise linear ve lojistik regresyon uygulamaları anlatılacaktır. Eğitimde gerçek veriler üzerinden örnek bir proje uygulaması gerçekleştirilecektir.
Bu eğitimde Python ile istatistik ve ekonometri uygulamaları ele alınacaktır. Bu çerçevede ilk olarak istatiksel hesaplamalarda kullanılan komutlar işlenecek, sonrasında ise linear ve lojistik regresyon uygulamaları anlatılacaktır. Eğitimde gerçek veriler üzerinden örnek bir proje uygulaması gerçekleştirilecektir.
Bu eğitimde finansal zaman serilerinin R kullanılarak nasıl modellenebileceği ve ileriye yönelik tahminlerin nasıl yapılabileceği ele alınacaktır. Eğitimde durağanlık testleri, ARMA ve Exponential Smoothing modelleri işlenecek olup gerçek veriler üzerinden ileriye yönelik tahminlerin yapıldığı bir örnek uygulamaya yer verilecektir.
Bu eğitimde Python dili ile Makine Öğrenmesinin temelleri verilecektir. Eğitimde Python’ın Google Cloud sunucuları üzerinde nasıl çalıştıralacağından başlayarak, çeşitli kaynaklardan veri alma bu verileri temizleme, zenginleştirme ve makine öğrenmesi modellerinin uygulanması konuları ele alınacaktır
Bu eğitimde R kullanılarak hisse senetleri, sabit getirili menkul kıymetler ve türev enstrümanlara ilişkin risk faktörlerinin modellenmesi ve fiyatlanmasının nasıl yapılacağı ele alınmaktadır. Eğitimde finans piyasalarına ilişkin gerçek veriler üzerinden örnek proje uygulamaları da gerçekleştirilecektir.
Bu eğitimde R kullanılarak finansal risk modellemesinin nasıl yapılacağı ele alınmaktadır. Bu kapsamda volatilite ve korelasyon modelleri ile riske maruz değer ve beklenen kuyruk kaybının nasıl hesaplanacağı işlenmektedir.
Bu eğitimde, kredi risk yönetimi için gereken temel istatistik ve ekonometri bilgileri R uygulamaları ile verilecek, kredi skorlama modellerinde kullanılan parametreler ve tahmin yöntemleri, modellerin izlenmesi ve validasyonu uygulamalarla aktarılacaktır.
Bu eğitimde R içerisinde yatırım kararlarının analiz edilmesinde kullanılan çeşitli araçlara yer verilecektir. Eğitimde hisse senedi ve diğer finansal varlık fiyatlarının R kullanılarak internet üzerinden elde edilmesi ve istatistiki analizi, finansal grafiklerin üretilmesi, fiyat bazlı indikatör oluşturma, portföy oluşturma ve performans analizi gibi temel konular ele alınacaktır.
Bu eğitimde R kullanılarak algoritmik yatırım stratejilerinin nasıl geliştirilip test edileceği ele alınmaktadır. Eğitimde bir yatırım stratejisinin oluşturulmasında dikkat edilecek hususlar, stratejinin R’da geriye dönük testinin yapılması ve performansının değerlendirilmesi konuları ele alınmaktadır. Eğitimde ayrıca çeşitli popüler yatırım stratejilerinin R’da nasıl kodlanacağına da yer verilecektir.
Geçmiş verilere bakarak gelecek hakkında tahminler yapmak finans ve iş analitiğinin en önemli konularındandır. Önümüzdeki ay için x hissesinin değerini tahmin etmek, y semtinde ne kadar elektrik-su tüketileceğini veya depoda ne kadar z ürününden bulunması gerektiğini kestirebilmek ilk akla gelen tahminleme konularındandır.
Boyut küçültmenin en kolay yolu verimizi en iyi tanımlayan öznitelikleri bulup diğerlerini atmak (öznitelik seçimi — feature selection). Örneğin 100 boyuttan 10 tanesinin önemli olduğuna ulaşıp kalan 90 özniteliği atmak ama bu tahmin edeceğiniz gibi bilgi kaybına sebep oluyor. Bizim uğraşmamız gereken şey ise öznitelik çıkarımı (feature extraction)yapmak -en az bilgi kaybıyla boyut küçültmek-. Bunu yapmak için verideki dağılımın maksimum varyansını-bilgisini tutan minimum sayıda değişken oluşturuyoruz. Eğer bir değişken her örnek için aynı değere sahip ise gereksiz bir değişkendir biz en yüksek varyansa sahip olan değişkenleri bulmalıyız.
Hiper-parametre seçimi (hyper-parameter tuning) elinizle radyo frekansı ayarlamaya benziyor. Hani ses iyidir ama siz bi tık daha iyi olmasını istersiniz ve milimetrik parmak dokunuşları yaparsınız ya işte hiper-parametre seçimi de makine öğrenmesi modelleri için o işe yarıyor. Örnek veri seti olarak elimizde Portekiz bankasından alınmış 11 bin kişinin yaşı, mesleği, medeni durumu, ev kredisi alıp almadığı, son görüşmeden sonra geçen zaman, görüşmenin sabit telefonla mı cep telefonuyla mı gerçekleştiği gibi öznitelikler var. Kişilerin bankaya depozito yatırıp yatırmayacağını tahmin eden bir model kurmaya çalışıyoruz. Çıkacak sonuçlara göre belirli kişilere ve gruplara kişiselleştirilmiş pazarlama yöntemleri uygulanabilir.
Adres
Risk Yazılım Teknolojileri Ltd. Ş.T.İ.
İstanbul Teknik Üniversitesi Ayazağa Kampüsü ARI-1 Teknopark Binası 13-14
Maslak - İstanbul - TURKEY
E-Mail info@akademialgo.com
