彭博社推出“机器学习基础”课程

彭博社是全球最大的金融信息服务供应商，其数据终端系统“彭博社专业服务”可以帮助客户查阅和分析实时的金融市场数据，并进行交易。使用该数据终端的客户遍布全球，包括交易员、投行、美联储、美国其他官方机构以及全球各大央行等。

在过去十年中，科技行业已经被人工智能和机器学习所改变。彭博社是将机器学习应用到金融领域的领导者。该技术对公司未来的成功至关重要。在建立AI/ML计划时，彭博社投入了大量资金，用于招聘机器学习和自然语言处理（NLP）方面的专家，此外还帮助5,000多名软件工程师的工程人员学习和提高他们自己的机器学习能力。

今天，彭博社向全世界免费提供“ 机器学习基础”在线课程。目标是提供给具有较好数学背景的人员更有价值的机器学习技能，包括经验丰富的软件开发人员，实验室科学家，工程师和金融专业人士。

全球超过1,000名彭博社软件工程师已完成或参加了该研究生级机器学习教育课程的一部分，作为该公司“Machine Learning EDU”计划的一部分，该计划由彭博社社CTO办公室于2017年联合开发。

本课程包括彭博社的CTO办公室数据科学小组的数据科学家David Rosenberg （同时担任纽约大学数据科学中心的顶级讲师）的讲座视频，将使人们获得深刻的理解并熟悉机器学习专家所使用的概念、技术和数学框架。成功完成本课程将加深巩固学习者解决商业和社会中最引人注目的数据科学问题的能力。

这30节课程涵盖了机器学习和统计建模的各种主题。主要目标是为参与者提供解决实践中发现的数据科学问题所需的工具和原则。因此，它主要是为那些具有较好数学知识的人设计的，需要的数学知识包括线性代数，多元微积分，概率论和统计学。最好学习者具有计算机科学背景，理解数据结构和算法，以及一些高等数学知识。课程作业中使用Python，它正在迅速成为学术界和工业界数据科学和机器学习的主流编程语言。

课程内容

1.黑盒机器学习模型

2.案例：流失预测

3.统计学习理论介绍

4.随机梯度下降法

5.Excess Risk Decomposition

6.L1/L2正则化

7.Lasso, Ridge, And Elastic Net

8.回归和分类的损失函数

9.拉格朗日对偶法与凸优化

10.支持向量机

11.次梯度决策

12.特征提取

13.核方法

14.模型性能评估

15.“Citysense”:非正常行为检测的概率模型

16.最大似然估计

17.条件概率模型

18.贝叶斯方法

19.贝叶斯条件概率模型

20.分类和回归树

21.统计基础与一些引导

22.Bagging与随机森林

23.梯度提升法

24.多类与结构化预测

25.K-means 聚类

26.高斯混合模型

27.隐变量模型的EM算法

28.神经网络

29.反向传播算法与链式法则

30.关于进一步学习的建议

课程主页：https://bloomberg.github.io/foml/#home