توضیحات رویداد
این کارگاه آموزشی شما را با دنیای هیجانانگیز یادگیری تقویتی عمیق (DRL) و کاربرد آن در مدیریت سبد سرمایه در بازارهای مالی، بهویژه در حوزه کریپتو، آشنا میکند. در این دوره ابتدا مفاهیم پایه و چالشهای کلیدی مدیریت سبد سرمایه بررسی شده و سپس به معرفی ساختار ترنسفورمر و استفاده از آن در طراحی مدلهای DRL پرداخته میشود. شما در بخش عملی این دوره، پیادهسازی گامبهگام یک مدل DRL در محیط پایتون (PyTorch) را خواهید آموخت و در نهایت عملکرد مدل را با معیارهای بازده و ریسک ارزیابی میکنید.
شرکت در این کارگاه، نه تنها درک عمیقی از مفاهیم نظری و فنی DRL و ترنسفورمر به شما میدهد، بلکه مهارتهای کاربردی لازم برای طراحی و بهبود مدلهای پیشرفته در تحلیل سریهای زمانی و مدیریت سبد سرمایه را نیز در اختیار شما قرار میدهد. این دوره فرصتی است برای ترکیب دانش یادگیری ماشین و بازارهای مالی برای دستیابی به رویکردهای نوین و هوشمندانه.
معرفی مدرس
مهندس احمد اسدی، دانشجوی مقطع دکتری رشته هوش مصنوعی در دانشگاه صنعتی امیرکبیر است که بر روی کاربردهای هوش مصنوعی در بازارهای مالی و بازار رمزارزها تمرکز دارد. در سالهای اخیر، مدلهای یادگیری عمیق و یادگیری تقویتی عمیق، کاربردهای گستردهای در بازارهای مالی پیدا کردهاند که دلیل انتخاب این دوره نیز همین مورد بوده است. اطلاعات تکمیلی در رابطه با ایشان در این فایل رزومه قابل مشاهده است.
هزینه کارگاه
با احتساب ۹۰ درصد تخفیف از طرف معاونت علمی ریاست جمهوری، هزینه این کارگاه ۲۰۰ هزار تومان است.
محل برگزاری
کارگاه به صورت حضوری در دانشگاه صنعتی امیرکبیر برگزار میشود.
- آخرین مهلت ثبت نام در رویداد: 06 آذر 1403 ساعت 18:00:00
برنامه زمانی
این کارگاه در دو جلسه ۲ ساعته حضوری به شرح زیر برگزار میشود:
- جلسه اول: چهارشنبه ۷ آذر، ساعت ۱۰:۰۰ تا ۱۲:۰۰
- جلسه دوم: چهارشنبه ۷ آذر، شاعت ۱۳:۰۰ تا ۱۵:۰۰
محتوای دوره
- مقدمه و آشنایی با مفاهیم پایه
- معرفی یادگیری تقویتی عمیق (DRL) و کاربرد آن در بازارهای مالی
- چالشهای مدیریت سبد سرمایه در کریپتو
- مروری بر ترنسفورمر و طراحی مدل یادگیری تقویتی عمیق
- ساختار ترنسفورمر و کاربرد در سریهای زمانی
- طراحی Actor و Critic با استفاده از ترنسفورمر
- پیادهسازی عملی مدل
- پیادهسازی گامبهگام مدل DRL در پایتون (PyTorch)
- تنظیم محیط یادگیری و آموزش مدل
- ارزیابی و جمعبندی
- ارزیابی عملکرد مدل با معیارهایی نظیر بازده و ریسک
- بهبود مدل و پرسش و پاسخ