اپلیکیشن اندرویدی فلش‌کارت آموزشی رویکردهای نوین و کاربردی در یادگیری ماشین مالی

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب رویکردهای نوین و کاربردی در یادگیری ماشین مالی

موضوع کلی: یادگیری ماشین در امور مالی

موضوع میانی: یادگیری ماشین پیشرفته برای تحقیقات مالی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر یادگیری ماشین مالی
• 2. چالش‌های داده‌های مالی
• 3. اهمیت پیش‌پردازش داده در امور مالی
• 4. پاکسازی داده‌های مالی
• 5. مقابله با داده‌های گمشده در امور مالی
• 6. مقابله با داده‌های پرت در امور مالی
• 7. مهندسی ویژگی برای بازارهای مالی
• 8. ساخت ویژگی‌های تکنیکال
• 9. استفاده از داده‌های کلان اقتصادی
• 10. فراکتال‌ها و ویژگی‌های مالی
• 11. ویژگی‌های مبتنی بر رویداد
• 12. بررسی ویژگی‌ها و انتخاب ویژگی
• 13. روش‌های مبتنی بر فیلتر
• 14. روش‌های مبتنی بر Wrapper
• 15. روش‌های مبتنی بر Embedded
• 16. مدل‌های خطی در یادگیری ماشین مالی
• 17. رگرسیون خطی ساده و چندگانه
• 18. رگرسیون لجستیک
• 19. کاربرد رگرسیون در پیش‌بینی قیمت
• 20. مدل‌های درخت تصمیم
• 21. درختان تصمیم برای طبقه‌بندی
• 22. درختان تصمیم برای رگرسیون
• 23. تقویت گرادیان
• 24. XGBoost در امور مالی
• 25. LightGBM در امور مالی
• 26. CatBoost در امور مالی
• 27. مدل‌های بوستینگ برای پیش‌بینی
• 28. مدل‌های مبتنی بر جنگل تصادفی
• 29. جنگل تصادفی برای طبقه‌بندی
• 30. جنگل تصادفی برای رگرسیون
• 31. کاربرد جنگل تصادفی در مدیریت پورتفولیو
• 32. مدل‌های ماشین بردار پشتیبان (SVM)
• 33. SVM برای طبقه‌بندی
• 34. SVM برای رگرسیون
• 35. کاربرد SVM در تشخیص الگو
• 36. مدل‌های شبکه‌های عصبی
• 37. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 38. شبکه‌های عصبی کانولوشنال (CNN) در امور مالی
• 39. شبکه‌های عصبی بازگشتی (RNN) در امور مالی
• 40. شبکه‌های عصبی LSTM و GRU
• 41. کاربرد شبکه‌های عصبی در پیش‌بینی سری زمانی
• 42. مدل‌های سری زمانی کلاسیک
• 43. ARIMA و SARIMA
• 44. Exponential Smoothing
• 45. کاربرد مدل‌های سری زمانی در تحلیل روند
• 46. یادگیری عمیق برای سری‌های زمانی مالی
• 47. مدل‌های پیش‌بینی مبتنی بر یادگیری عمیق
• 48. شبکه‌های عصبی کانولوشنال برای سری‌های زمانی
• 49. شبکه‌های عصبی بازگشتی برای سری‌های زمانی
• 50. مدل‌های ترکیبی (Hybrid Models)
• 51. ترکیب مدل‌های سری زمانی و یادگیری ماشین
• 52. ترکیب مدل‌های یادگیری ماشین
• 53. استفاده از Ensemble Methods
• 54. کاربرد Ensemble Methods در کاهش واریانس
• 55. ارزیابی مدل‌های یادگیری ماشین مالی
• 56. معیارهای ارزیابی برای طبقه‌بندی
• 57. معیارهای ارزیابی برای رگرسیون
• 58. ماتریس درهم‌ریختگی (Confusion Matrix)
• 59. منحنی ROC و AUC
• 60. معیارهای ارزیابی برای سری‌های زمانی
• 61. اعتبار سنجی متقابل (Cross-Validation)
• 62. اعتبار سنجی متقابل برای سری‌های زمانی
• 63. اعتبار سنجی Out-of-Sample
• 64. مدیریت ریسک با یادگیری ماشین
• 65. مدل‌های VaR و ES
• 66. مدل‌های پیش‌بینی ریسک اعتباری
• 67. مدل‌های پیش‌بینی ریسک بازار
• 68. مدیریت پورتفولیو با یادگیری ماشین
• 69. بهینه‌سازی پورتفولیو با ML
• 70. تخصیص دارایی پویا
• 71. مدیریت ریسک پورتفولیو
• 72. معامله‌گری الگوریتمی
• 73. طراحی استراتژی‌های معاملاتی
• 74. تست بک‌تستینگ (Backtesting)
• 75. خطاهای رایج در بک‌تستینگ
• 76. بهینه‌سازی پارامترهای استراتژی
• 77. مدیریت سرمایه در معامله‌گری
• 78. مدل‌های یادگیری تقویتی (Reinforcement Learning)
• 79. مبانی یادگیری تقویتی
• 80. کاربرد RL در معامله‌گری
• 81. طراحی عامل RL برای معامله‌گری
• 82. پیاده‌سازی RL در بازارهای مالی
• 83. پردازش زبان طبیعی (NLP) در امور مالی
• 84. تحلیل احساسات (Sentiment Analysis)
• 85. استفاده از اخبار و شبکه‌های اجتماعی
• 86. مدل‌های NLP برای پیش‌بینی بازار
• 87. کاربرد NLP در کشف تقلب
• 88. یادگیری بدون نظارت در امور مالی
• 89. خوشه‌بندی (Clustering)
• 90. کاربرد خوشه‌بندی در بخش‌بندی مشتریان
• 91. شناسایی الگوهای بازار با خوشه‌بندی
• 92. کاهش ابعاد (Dimensionality Reduction)
• 93. تحلیل مولفه‌های اصلی (PCA)
• 94. تکنیک t-SNE
• 95. کاربرد کاهش ابعاد در تجسم داده
• 96. مباحث پیشرفته در یادگیری ماشین مالی
• 97. یادگیری عمیق برای معاملات خودکار
• 98. مدل‌های تولیدی (Generative Models)
• 99. کاربرد GANs در امور مالی
• 100. استفاده از شبکه‌های گراف (Graph Neural Networks)