《机器学习与金融应用实践》课程教学大纲 、课程基本信息 课程名称:机器学习与金融应用实践 英文名称: Machine Study and Financial Practice 课程编号:320100214 课程类别:实践必修课 预修课程:数据科学基础与 Python语言 开设部门:金融科技学院 适用专业:金融科技、金融工程、信息管理、大数据技术 学分:2 总课时:48 其中理论课时:0,实践课时48 课程性质、目的 1.回顾《线性代数》、《概率论与数理统计》的基本内容: 了解机器学习的发展脉络,掌握所需的基本概念,动手实现基本算法模型: 3.引入金融应用场景,体会金融数据分析中的特征分类 实验教学内容规划 分类算法:k一近邻算法、决策树、支持向量机与贝叶斯分类器24课时 神经网络:神经元模型、多层感知机、常见神经网络与深度学习简介24课时
《机器学习与金融应用实践》课程教学大纲 一、课程基本信息 课程名称：机器学习与金融应用实践 英文名称：Machine Study and Financial Practice 课程编号：320100214 课程类别：实践必修课 预修课程：数据科学基础与 Python 语言 开设部门：金融科技学院 适用专业：金融科技、金融工程、信息管理、大数据技术 学 分：2 总 课 时：48 其中理论课时：0 ，实践课时 48： 二、课程性质、目的 1. 回顾《线性代数》、《概率论与数理统计》的基本内容； 2. 了解机器学习的发展脉络，掌握所需的基本概念，动手实现基本算法模型； 3. 引入金融应用场景，体会金融数据分析中的特征分类。 实验教学内容规划： 分类算法：k—近邻算法、决策树、支持向量机与贝叶斯分类器 24 课时 神经网络：神经元模型、多层感知机、常见神经网络与深度学习简介 24 课时
三、教学内容、基本要求、课时分配 课时数分配 章节 教学内容 总课理论实验 时数课时课时 实验 k一近邻算法: 1.掌握k一近邻算法的基本概念,熟悉其理论基础: 2.掌握 python进行k一近邻算法的步骤,能够处理 实际数据 6 0 6 实验目标:利用k一近邻算法构建手写体识别系统 实验二决策树 1.熟练掌握决策树构造的一般流程: 2.能够熟练利用 python绘制树形图 3.掌握处理实际数据的技能 实验目标:使用决策树预测隐形眼镜类型。 0 实验三贝叶斯分类器 1.掌握贝叶斯决策理论的基本内容; 2.掌握朴素贝叶斯分类器的一般过程; 3.利用 python编译贝叶斯分类器,并处理实际数12 据。 实验目标:使用朴素贝叶斯分类器从个人广告中获取 区域倾向
三、教学内容、基本要求、课时分配 章 节 教 学 内 容 课时数分配 总 课 时 数 理 论 课 时 实 验 课 时 实验一 ┊ k—近邻算法： 1. 掌握 k—近邻算法的基本概念，熟悉其理论基础； 2. 掌握 python 进行 k—近邻算法的步骤，能够处理 实际数据. 实验目标：利用 k—近邻算法构建手写体识别系统。 6 0 6 实验二 ┊ 决策树： 1. 熟练掌握决策树构造的一般流程； 2. 能够熟练利用 python 绘制树形图； 3. 掌握处理实际数据的技能. 实验目标：使用决策树预测隐形眼镜类型。 12 0 12 实验三 贝叶斯分类器： 1. 掌握贝叶斯决策理论的基本内容； 2. 掌握朴素贝叶斯分类器的一般过程； 3. 利用 python 编译贝叶斯分类器，并处理实际数 据。 实验目标：使用朴素贝叶斯分类器从个人广告中获取 区域倾向。 12 0 12
集成学集成学习 1.掌握基于多重抽样分类器的基本概念; 2.掌握 AdaBoost算法的实现 3.能够基于组合策略使用 python处理实际数据 实验目标:从疝气病症预测病马的死亡。 神经网神经网络 1.掌握神经元模型的基本概念; 2.掌握多层感知机概念,并明确训练神经网络的 方法; 3.掌握常见的神经网络模型; 4.了解深度学习模型的基本概念与应用背景: 5.了解应用 python搭建神经网络模型. 实验目标:理解认知神经网络辅助股票预测 合计 四、课程考核 课程类别:口必修(考试)课程 口除体育类、短学段开设、实践教学类以外的必修(考査)课程 口选修课程 口体育类必修(考查)课程 口短学段开设的必修(考查)课程■实践教学类必修(考查)课程 平时成绩占_100%,期末成绩占0%(见下表)。 平时成绩考核项目参照表 课堂考勤/ 阶段测验 课程论文/ 考核项目 课外作业 期中测验 课程实验其他 课堂互动 (口语测试) 案例分析 项目选择 考核次数 考核分值 注:1.教师可根据课程特点在“其他”选项中加入适合本课程的考核项目 2考核项目至少应包括课外作业和课堂考勤 3根据各考核项目的重要性及《上海立信会计金融学院课程平时成绩评定实施办法》确 定合适的考核次数和考核分值
集成学 习 集成学习： 1. 掌握基于多重抽样分类器的基本概念； 2. 掌握 AdaBoost 算法的实现 3. 能够基于组合策略使用 python 处理实际数据 实验目标：从疝气病症预测病马的死亡。 8 0 8 神经网 络 神经网络： 1. 掌握神经元模型的基本概念； 2. 掌握多层感知机概念，并明确训练神经网络的 方法； 3. 掌握常见的神经网络模型； 4. 了解深度学习模型的基本概念与应用背景； 5. 了解应用 python 搭建神经网络模型. 实验目标：理解认知神经网络辅助股票预测 6 0 6 合计 48 0 48 四、课程考核 课程类别： □必修（考试）课程 □除体育类、短学段开设、实践教学类以外的必修（考查）课程 □选修课程 □体育类必修（考查）课程 □短学段开设的必修（考查）课程 ■实践教学类必修（考查）课程 平时成绩占_ 100 %，期末成绩占___0 _%（见下表）。 平时成绩考核项目参照表 考核项目 课堂考勤/ 课堂互动 课外作业 阶段测验 (口语测试) 期中测验 课程论文/ 案例分析 课程实验 其他 项目选择 考核次数 考核分值 10 60 30 注：1.教师可根据课程特点在“其他”选项中加入适合本课程的考核项目； 2.考核项目至少应包括课外作业和课堂考勤； 3.根据各考核项目的重要性及《上海立信会计金融学院课程平时成绩评定实施办法》确 定合适的考核次数和考核分值
平时成绩考核评定依据与标准: 1.每次课程考勤一次,共2次,每次5分,共10分 2.课程实验3次,每次满分20分,共60分 3.实验报告2次,每次15,共30分,满分100分 五、教材与参考文献 《量化交易之路用 Python做股票量化分析》阿布机械工业 材 出版社2017 参考资《量化投资:以 Python为工具》蔡立耑电子工业出版社2017 料: 《机器学习在量化投资中的应用研究》 Yuxing Yan严玉星,人 民邮电出版社,2017 《机器学习在量化投资中的应用研究》汤凌冰,电子工业出版 社,2014 制定人签名:程昆、孙璐、李祺 教研室或专业负责人签名 2018年6月12日修订
平时成绩考核评定依据与标准: 1. 每次课程考勤一次，共 2 次，每次 5 分，共 10 分 2. 课程实验 3 次，每次满分 20 分，共 60 分 3. 实验报告 2 次，每次 15，共 30 分，满分 100 分。 五、教材与参考文献 教 材： 《量化交易之路 用 Python 做股票量化分析》阿布 机械工业 出版社 2017 参考资 料： 《量化投资:以 Python 为工具》蔡立耑 电子工业出版社 2017 《机器学习在量化投资中的应用研究》Yuxing Yan 严玉星，人 民邮电出版社，2017 《机器学习在量化投资中的应用研究》汤凌冰，电子工业出版 社，2014 制定人签名：程昆、孙璐、李祺 教研室或专业负责人签名： 2018 年 6 月 12 日修订