Das 12 as 13, palestra sobre machine learning aplicado a financas com um dos patrocionadores e desenvolvedores da biblioteca mlfinlab (https://github.com/hudson-and-thames/mlfinlab)

Temas:
1) Finanças - Oque podemos fazer?
2) Modelagem
3) Gregas e derivativos
4) Volatilidade Implicita
5) Risco
6) Machine Learning
7) Machine Learning em Finanças
8) Econometria e Machine Learning
9) Importância das variáveis do modelo
10) Overfitting
11) Paralelo Econometria - Machine Learning
12) Problemas e Soluções
13) Biblioteca MLFinLabs ( CÓDIGO! ) - Validação Cruzada, Amostragem de market data, Classificação (trading), Alocação de Portifólio

Baseado na minha dissertação de mestrado, gostaria de levar a discussão modelos que usam análise exploratória de fatores para explicar a variância comum entre diversas taxas de câmbio, e utilizando de técnicas de machine learning, principalmente técnicas de regularização tentar indentificar quais variaveis estão excercendo maior relevância sobre a dinâmica de cada um dos fatores. 

Os modelos de regressão linear são os primeiros modelos de Machine Learning baseados em estatística. Uma vantagem que esses modelos tem em relação aos modelos de Machine Learning não assistidos é a possibilidade de extração e alta disponibilidade de literatura para compreensão melhor do que os resultados das estimativas Paramétricas obtidas através desses modelos. Conhecendo bem esses modelos as limitações e possibilidades que esses retornam, para um cientista de dados, torna-se fácil a avaliação dos dados antes de efetivamente aplicar esses tipos de modelos, fazendo assim com que o cientista de dados não perca seu tempo com um modelo que não vai retornar as informações que quer-se obter.  Pretendo abordar a matemática, plicação visual e retorno estatístico do modelo de regreção Ordinary Least Squares (OLS).

Nesta palestra falarei sobre o radiotelescópio BINGO, o status update da pipeline em construção e o que utilizamos como ferramenta para o desenvolvimento da mesma.

Partiremos de:

a) modelos matemáitcos -->  quais as hipóteses utilizadas?

b) utilizamos simulações -->  quão factíveis são nossas simulações?

c) analisamos o resultado --> quais  testes são  feitos para o controle do software ?

d) next steps --> será que podemos inovar em um pipeline? Separação de Componentes - wavelets 

Utilizamos python, scipy e healpy na elaboração dos algoritmos.

As redes gerativas adversárias (Generative Adversarial Networks - GANs) tem se mostrado uma solução relevante no contexto de modelos gerativos com resultados expressivos em aplicações como a geração de faces humanas e a transferência de estilo em imagens e vídeos.

Nesta palestra, será feita uma introdução à ideia de modelo gerativo e à estrutura das GANs. Por fim, será apresentado um exemplo simples de implementação de uma GAN de rápido treinamento usando a biblioteca PyTorch.