رویدادهای گذشته

در دانشگاه علامه طباطبایی رخ داد؛ برگزاری مدرسه تابستانی علم داده و کاربرد های آن در صنعت و فناوری های مالی

علم داده، هوش مصنوعی و فناوری مالی (فین تک) نقش مهمی را در پیشبرد اقتصادهای مدرن، جامعه، فناوری و بسیاری از زمینه های دیگر ایفا کرده است. اسمارت فین‌تک نسل جدید فین‌تک است که عمدتاً از ریاضیات مالی، علم داده و تکنیک‌های نسل جدید هوش مصنوعی و (DSAI) الهام گرفته و توانمند شده است. فین‌تک هوشمند یا اسمارت فین تک، بخش های  اقتصادی و مالی را تلفیق و تغییر می‌دهد تا مشاغل، خدمات و سیستم‌های اقتصادی و مالی هوشمند، خودکار، کل کسب‌وکارها  و شخصی سازی شده را هدایت کند. در سال 2021، حجم داده های جمع آوری شده 37 درصد نسبت به سال 2020 افزایش یافت و به 74 تریلیون گیگابایت رسید. اعداد کاملاً قابل توجه هستند.

بر این اساس قطب علمی ریاضیات مالی با همکاری دانشکده آمار، ریاضی و علوم رایانه دانشگاه علامه طباطبائی و دانشگاه UiTM  مالزی یک مدرسه تابستانی مشتمل بر ده جلسه تشکیل داده است که در این مدرسه اساتید علم داده یادگیری ماشین و ریاضیات مالی از خارج و داخل کشور مطالب خود را ارائه داده اند،  در این مدرسه تابستانی به علاقمندان مطالب نظری، کاربردی و نحوه استفاده از علم داده، یادگیری ماشین و ریاضیات مالی در پیشبرد اقتصادی و راه اندازی فین تک ها (فناوری استارت آپ­های فین تکی ) که شعار مهم سال توسط مقام معظم رهبری ارائه شده است.

مخاطبین این مدرسه تابستانی اساتید دانشگاه و دانشجویان رشته های ریاضیات مالی، علم داده و هوش مصنوعی بوده و همچنین مدیران، کارشناسان و فعالان بورس، بانک و بیمه در این مدرسه تابستانی حضور داشته اند.

مهمترین مطلبی که در این مدرسه تابستانی به علاقمندان آموزش داده شده، مسائل نظری مربوط به علم داده، یادگیری ماشین و ریاضیات مالی و همچنین نحوه استفاده از این دانش بزرگ در پیشبرد و ایجاد یک اقتصاد پویا در داخل کشور با استفاده از تجربه های جهانی و وضعیت موجود ملی می باشد.

نشست علمی پژوهشی «روش های پیشرفته تحلیل داده های مالی با تاکید بر یادگیری ماشین» برگزار شد

دومین نشست علمی پژوهشی «روش های پیشرفته تحلیل داده های مالی با تاکید بر یادگیری ماشین» به منظور آموزش و ارتقای سطح علمی اعضای هیئت علمی، دانشجویان و فعالان حوزه مرتبط امروز ۲ آذرماه ۱۴۰۰ به صورت مجازی برگزار شد.

به گزارش روابط عمومی، آیین افتتاح دومین نشست علمی پژوهشی «روش های پیشرفته تحلیل داده های مالی با تاکید بر یادگیری ماشین» به منظور آموزش و ارتقای سطح علمی اعضای هیئت علمی، دانشجویان و فعالان حوزه مرتبط با حضور دکتر عبدالساده نیسی، مدیر قطب علمی ریاضیات مالی و عضو هیئت علمی گروه ریاضی مالی دانشگاه علامه طباطبائی، دکتر محمدرضا اصغری اسکوئی، عضو هیئت علمی گروه رایانه، دکتر امیر هامونی، مدیر عامل فرابورس ایران، دکتر علی نقوی، مدیر عامل بورس انرژی ایران، و دکتر سیدجلال دهقانی فیروزآبادی، معاون پژوهشی دانشگاه علامه طباطبائی به صورت مجازی برگزار شد.
در این نشست علمی که با حضور فعالان بازار سرمایه و دانشگاه برنامه ریزی شده است، علاوه بر مطالعه روش های نوین در مباحث یادگیری ماشین، مدل های ریاضی برای پوشش ریسک را بیان و با ارائه مثال هایی کارایی این روش ها، مورد آزمون گرفت. همچنین علاوه بر ایجاد  تعامل سازنده و مفید بین دانشگاه و بازار سرمایه، روش های علمی در مطالعه داده های بازار و مدلسازی متناسب آنها مورد بحث و بررسی قرار گرفت.
در ابتدای نشست، دکتر نیسی ضمن قدردانی از دانشگاه علامه طباطبائی و همه کسانی که کمک کردند تا بخشی از مرز علم و دانش بین ریاضیات و بازارهای سرمایه به اشتراک گذاشته شود، گفت: به طور حتم هر کاری در جمع علمی، زمانی به نتیجه می رسد که حمایت هایی را به دنبال داشته باشد و بیشترین حمایت از طرف دانشکده آمار، ریاضی و رایانه دانشگاه علامه طباطبائی انجام شد و جلسات بسیار زیادی برگزار شد تا محتواهای نشست دوم و این دوره تهیه و تنظیم شد.
وی با بیان اینکه زمانه عوض شده است و با تغییرات باید تغییر کرد، افزود: نگاه دنیا به علم نگاه دیگری شده است. بدون مدرک دانشگاهی کاری نمی توان از پیش برد. البته مدرک های دانشگاهی در عین حال که لازم هستند، کافی نیستند. چیزی که مدارک دانشگاهی را کامل می کند استفاده از اطلاعات دوره های تکمیلی مانند همین دوره است. مطالب کامل کننده ای که دانشجو و محقق باید یاد بگیرند، در این دوره ها ارائه می شود.
مدیر قطب علمی ریاضیات مالی ادامه داد: قطب علمی ریاضیات مالی با این رویکرد آغاز به کار کرده است و دوره های تکمیلی برای دانشجویان، استادان و فعالان بازارهای سرمایه مرتبط برگزار می کند. کاربران ما دانشجویان ریاضیات مالی، مهندسی مالی، اقتصاد مالی، مدیریت مالی، رایانه و آمار هستند، کسانی که بتوانند در علم نفوذ کنند.
وی با تاکید بر اینکه نهادی که می تواند وارد جزئیات علم شود دانشگاه است، افزود: دانشجویان مقطع کارشناسی ارشد و دکتری، دلخوش به گرفتن مدرک نباشند. ما باید بتوانیم از علم ثروت درست کنیم. باید یاد بگیریم چگونه علم را در خدمت خود بگیریم و از آن به نفع جامعه استفاده کنیم. باید وارد عرصه فنآوری شویم و آینده علم را بدانیم.
در بخش دیگری از این نشست دکتر دهقانی فیروزآبادی با اشاره به اینکه دنیای آینده دنیای ماشین و هوش مصنوعی است، ادامه داد: برنامه مهم تولید ثروت از علم است. در حوزه های علوم طبیعی و پزشکی تولید ثروت از علم خیلی نیاز به توضیح و توجیه ندارد ولی در حوزه علوم انسانی، این پدیده را باید هم توضیح دهیم و توجیه کنیم. اینکه چگونه می شود از طریق علوم انسانی ثروت تولید کرد.
وی با بیان اینکه راهکارهای متعددی برای تولید ثروت از علم در حوزه علوم انسانی وجود دارد، افزود: یکی از راهکارها استفاده از مطالعات بین رشته ای است تا بتوانیم علوم انسانی و اجتماعی را کاربردی کنیم. همچنین یکی از کارهای دیگری که می توان انجام داد، برگزاری نشست های بین رشته ای است تا بتوان کاربرد هوش مصنوعی و ماشین هوشمند را در رشته های دیگر که هنوز به کار گیری این علوم در آنها مانوس نیست، ترویج داد.
معاون پژوهشی دانشگاه علامه طباطبائی اظهار کرد: یکی از آسیب های نظام آموزشی ما، کم توجهی به دانش کاربردی یا به بیان دیگر کاربردی نشدن بهینه علوم اجتماعی است. بنابراین یادگیری دانش کاربردی بسیار حائز اهمیت است و هوش مصنوعی می تواند به این امر کمک کند.
وی کم توجهی به مهارت آموزی و مهارت افزایی را مشکل دیگر نظام آموزشی عنوان کرد و گفت: این نشست ها و دوره ها می تواند به موازات برنامه های رسمی آموزشی، مهارت آموزی و مهارت افزایی دانشگاهیان را به ویژه در حوزه های مرتبط افزایش دهد. برای حل مشکلات جامعه و مردم نیاز به تولید علم مشکل گشا داریم. علم محض به طور حتم لازم است ولی بخشی از علم باید کاربردی باشد تا بتواند بخشی از مشکلات و چالش های جامعه را حل کند.
دکتر دهقانی فیروزآبادی بیان کرد: یکی از اهداف علم، ایجاد توسعه همه جانبه، توسعه اقتصادی و  انسانی است که از همه علوم انتظار می¬رود. بنابراین عمومی کردن، گسترش و ترویج دانش تحلیل داده های مالی از طریق هوش مصنوعی می تواند هم به حل مشکلات مردم کمک کند، هم تصمیم گیری ها را بهینه می کند و هم ریسک پذیری سرمایه گذاری را کاهش می دهد.
وی در پایان گفت: برای استفاده بهینه از هوش مصنوعی و یادگیری ماشین ابتدا باید این دانش و تولیدات آن را بشناسیم تا بر اساس شناخت کافی بدانیم این دانش یا تکنولوژی تولید شده از آن چه فرصت ها و چالش هایی را برای ما ایجاد می کند. باید بتوانیم با استفاده حداکثری و بهینه از فرصت ها، چالش های ایجاد شده را کاهش دهیم یا بر این چالش ها غلبه کنیم.