• No results found

EXJOBB INOM MACHINE LEARNING

N/A
N/A
Protected

Academic year: 2021

Share "EXJOBB INOM MACHINE LEARNING"

Copied!
2
0
0

Loading.... (view fulltext now)

Full text

(1)

EXJOBB INOM MACHINE

LEARNING

.

KIDBROOKE ADVISORY

Kidbrooke Advisory är ett tekniskt in- novativt konsultföretag med inriktning mot kvantitativ finansiell riskhantering.

Vår affärsidé är att bistå våra kunder med att etablera ny eller förbättrad för- måga att analysera finansiell risk. Som experter på metoder och modeller för att på olika sätt skatta finansiell risk är vi ett naturligt val vid behov av resurs- eller kompetensförstärkning inom detta om- råde. Vi har tidigare erfarenhet av att handleda examensarbeten inom ramen för civilingenjörsprogram.

EXAMENSARBETE

Som exjobbsstudent hos oss på Kid- brooke Advisory får du tillgång till mångårig internationell erfarenhet av kvantitativt analys- och utvecklingsar- bete i form av kontinuerlig handledning under exjobbets framskridande. Syftet med exjobbet är att analysera stora mängder finansiell data och skapa rel- evanta prediktioner med hjälp av Ma- chine Learning. Mer specifikt avses den typ av finansiell data som potentiellt görs tillgänglig för tredjepartsleveran- törer och banker till följd av regelverket PSDII. Avsikten är att tillämpa metoder av de slag som beskrivs i [1], [2] och [3], samt att implementera analysen med

hjälp av Python och TensorFlow.

PROFIL

Du är en analytisk person, tycker om att ta till dig ny kunskap och arbe- tar väl självständigt såväl som i grupp.

Du är duktig på att kommunicera samt förmedla dina slutsatser på ett tydligt vis. Vi tror även att du uppfyller följande krav:

⋄ Civilingenjör med bakrund inom datalogi och statistik

⋄ Mycket goda kunskaper i Python.

Erfarenhet av TensorFlow är meriterande

⋄ Uttrycker dig väl i tal och skrift, såväl på svenska som engelska

ANSÖKAN

Ansök genom att skicka CV, person- ligt brev, universitetsbetyg (Bache- lor och Master) till info@kidbrooke- advisory.com senast den 2017-06-16.

Skicka din ansökan snarast möjligt då urvalet kommer att ske löpande. Vi ser fram emot din ansökan!

Vid frågor kontakta Dag Utterborn på dag.utterborn@kidbrooke.com.

Tel: +46 (0)870 899 20

E-mail: info@kidbrooke-advisory.com Web: www.kidbrooke-advisory.com Engelbrektsgatan 7 | 114 32 Stockholm

(2)

REFERENSER

[1] Hastie, Trevor and Tibshirani,Robert and Jerome H. Friedman, The Elements of Statistical Learning, 2nd ed., Springer-Verlag New York Inc., 2009.

[2] Mnih et al., Human-level control through deep reinforcement learning, Nature Vol. 518, p. 529–533, 2015.

[3] Murphy, Kevin P., Machine Learning - A Probabilistic Perspective, MIT Press, 2012.

Tel: +46 (0)870 899 20

E-mail: info@kidbrooke-advisory.com Web: www.kidbrooke-advisory.com Engelbrektsgatan 7 | 114 32 Stockholm

References

Related documents

Studenten förväntas kunna tillföra nödvändig kunskap inom området AI-/Machine Learning för att ta sig an problemformuleringen och behöver där utöver vara bekväm med att,. •

Projektet går ut på att med hjälp av AI/Machine Learning identifiera vilka parametrar hos fastigheter, så som geografisk placering, verksamhetstyp, byggår m.m., som bäst

Med hjälp av AI/Machine Learning identifiera vilka systemprocesser som bidrar till försämrad prestanda hos Mestros

To catch the whole curve, including the settling period of reactions, an interval of 0.4 to 8 seconds after each sound stimulus was cut out within the specific and non-

(Undantag finns dock: Tage A urell vill räkna Kinck som »nordisk novellkonsts ypperste».) För svenska läsare är Beyers monografi emellertid inte enbart

Flera av informanterna berättar även att de utsatts för bristande kunskap, både av elever och lärare, när de gått i en klass som inte anpassar sig efter personer

Consider an instance space X consisting of all possible text docu- ments (i.e., all possible strings of words and punctuation of all possible lengths). The task is to learn

You can then use statistics to assess the quality of your feature matrix and even leverage statistical measures to build effective machine learning algorithms, as discussed