Kurz Big Data analytiky pro finanční transformaci

Lekce 1 • Klíčové role v datově řízeném finančním týmu

Definuje odpovědnosti datových inženýrů, analytiků, vědců a správců v rámci finančních organizací. Pomáhá studentům zařadit jejich vlastní roli v ekosystému.

Lekce 2 • Definování charakteristik velkých dat

Pokrývá pět V—objem, rychlost, rozmanitost, věrohodnost, hodnota—aplikovaných na finanční datové soubory. Ukotvuje veškerý následující technický a strategický obsah.

Lekce 3 • Obchodní faktory datové transformace

Identifikuje konkurenční, regulační a provozní tlaky, které tlačí finanční firmy k datově řízeným modelům. Formuluje strategické zdůvodnění kurzu.

Lekce 1 • Rámce pro distribuované výpočty

Představuje rámce pro dávkové a proudové zpracování používané pro manipulaci s velkými finančními datovými soubory. Připravuje studenty na praktickou konstrukci datových kanálů v pozdějších kapitolách.

Lekce 2 • Cloudové platformy pro finanční data

Mapuje hlavní modely cloudových služeb a jejich vzorce adopce ve finančním sektoru. Řeší aspekty souladu s předpisy, latence a nákladů specifické pro finance.

Lekce 3 • Relační vs. nerelační databáze

Porovnává paradigmata SQL a NoSQL na příkladech finančních dat. Stanovuje kritéria pro volbu úložné technologie na základě datové struktury a potřeb dotazování.

Lekce 4 • Návrh a orchestrace datových kanálů

Pokrývá konstrukci kanálů od konce do konce, od příjmu po servírovací vrstvy. Propojuje volby infrastruktury se spolehlivými, auditovatelnými datovými toky vyžadovanými ve financích.

Lekce 1 • Regulatorní rámce správy dat

Mapuje politiky správy na finanční regulatorní požadavky týkající se uchovávání dat, jejich původu a výkaznictví. Umožňuje studentům budovat struktury správy v souladu s předpisy.

Lekce 2 • Správa metadat a datové katalogy

Vysvětluje obchodní a technická metadata a jejich roli při vyhledatelnosti dat. Propojuje implementaci katalogu s rychlejším a důvěryhodnějším poskytováním analytiky.

Lekce 3 • Dimenze a metriky kvality dat

Definuje úplnost, přesnost, konzistenci, včasnost a jedinečnost jako měřitelné dimenze kvality. Stanovuje základní měřítko pro programy správy.

Lekce 4 • Techniky profilování a čištění dat

Aplikuje statistické metody a metody založené na pravidlech pro detekci a opravu vad dat ve finančních datových souborech. Přímo podporuje spolehlivost modelů a přesnost výkaznictví.

Lekce 1 • Snížení dimenzionality a průzkum příznaků

Využívá PCA a shlukování ke snížení složitosti ve vysoce-dimenzionálních finančních datových souborech. Propojuje EDA s příznakovým inženýrstvím strojového učení v následujících kapitolách.

Lekce 2 • Popisná statistika pro finanční data

Aplikuje míry centrální tendence, rozptylu a tvaru na finanční časové řady a průřezová data. Buduje statistickou intuici potřebnou pro vývoj modelů.

Lekce 3 • Vizualizace dat pro finanční poznatky

Vybírá a konstruuje grafy vhodné pro typy finančních dat a publikum. Propojuje principy vizuálního designu s efektivní komunikací se zainteresovanými stranami.

Lekce 4 • Techniky průzkumu časových řad

Identifikuje trendy, sezónnost a strukturální zlomy ve finančních časových řadách. Připravuje studenty na prognózování a detekci anomálií v pozdějších kapitolách.

Lekce 1 • Prognózování trhu a predikce výnosů

Aplikuje modely časových řad a souborové modely k predikci výnosů aktiv a volatility. Kriticky hodnotí rizika přeučení specifická pro data finančních trhů.

Lekce 2 • Modelování úvěrového rizika

Vytváří modely pravděpodobnosti selhání a ztrátovosti ze selhání s využitím dat o dlužnících. Propojuje výstupy modelů s pracovními postupy alokace kapitálu a úvěrových rozhodnutí.

Lekce 3 • Detekce podvodů pomocí strojového učení

Aplikuje detekci anomálií a klasifikaci k identifikaci podvodných transakcí. Řeší požadavky na skórování v reálném čase a omezení provozního nasazení.

Lekce 4 • Hodnocení a výběr modelu

Aplikuje metriky finančního kontextu—AUC, Giniho koeficient, Sharpeho poměr—k porovnání a výběru modelů. Zajišťuje, aby si studenti vybírali modely v souladu s obchodními cíli, nejen na základě statistických skóre.

Lekce 1 • Monitorování rizik a souladu s předpisy v reálném čase

Implementuje pravidlové stroje pro proudové zpracování pro překročení limitů, screening sankcí a upozornění na praní špinavých peněz. Přímo aplikuje proudové zpracování na scénáře finančního souladu s vysokými sázkami.

Lekce 2 • Datové systémy pro obchodování s nízkou latencí

Řeší požadavky na data na úrovni mikrosekund pro kontexty algoritmického a vysokofrekvenčního obchodování. Pokrývá hardwarové, síťové a softwarové optimalizace pro ultra nízkou latenci.

Lekce 3 • Platformy pro proudové zpracování událostí ve financích

Zkoumá vysoce propustné messagingové systémy používané pro tržní data a transakční události. Propojuje schopnosti platformy s požadavky finančních případů užití.

Lekce 4 • Okna a agregace v proudech

Aplikuje skákavá, posuvná a relační okna pro výpočet finančních metrik v reálném čase. Umožňuje studentům vytvářet klouzavé ukazatele rizika a výkonnosti.

Lekce 1 • Grafová analytika pro finanční sítě

Modeluje sítě protistran, vlastnictví a transakcí pomocí grafových algoritmů. Identifikuje koncentrace systémového rizika a kruhy podvodů neviditelné pro tabulkovou analýzu.

Lekce 2 • Zpětnovazební učení pro správu portfolia

Aplikuje učení založené na odměně na dynamickou alokaci aktiv a optimalizaci provádění. Seznamuje studenty s rámci agent-prostředí ve finančním rozhodování.

Lekce 3 • Vysvětlitelná AI pro finanční rozhodnutí

Aplikuje SHAP, LIME a vizualizaci pozornosti k interpretaci výstupů komplexních modelů. Řeší regulatorní očekávání transparentnosti modelů při úvěrových a rizikových rozhodnutích.

Lekce 4 • Hluboké učení pro finanční signály

Aplikuje architektury LSTM, CNN a transformer na sekvenční a tabulková finanční data. Rozšiřuje sadu modelovacích nástrojů studentů nad rámec klasických metod strojového učení.

Lekce 1 • Měření návratnosti investic analytických iniciativ

Definuje finanční a provozní KPI pro kvantifikaci hodnoty dodané analytickými programy. Umožňuje studentům sestavovat obchodní případy a udržovat podporu vedení.

Lekce 2 • Škálování a udržování transformace

Řeší mechanismy správy, platformy a organizace pro škálování analytiky nad rámec pilotních projektů. Zajišťuje, aby transformace přinesla trvalou konkurenční výhodu.

Lekce 3 • Návrh datově řízeného provozního modelu

Přepracovává pracovní postupy finanční funkce tak, aby do rozhodovacích procesů zakomponovaly analytiku. Řeší strukturální, procesní a kulturní změny potřebné pro udržitelnou transformaci.

Lekce 4 • Hodnocení zralosti analytiky

Vyhodnocuje současné datové a analytické schopnosti organizace oproti modelu zralosti. Poskytuje diagnostickou základnu pro sestavení plánu transformace.