Schulungsübersicht
Einführung in das Maschinelle Lernen im Finanzbereich
- Übersicht über künstliche Intelligenz und Maschinelles Lernen im Finanzsektor
- Arten des Maschinellen Lernens: überwachtes, unüberwachtes sowie verstärkendes Lernen
- Praxisbeispiele zur Betrugserkennung, Kreditscoring-Analyse und Risikomodellierung
Grundlagen zu Python sowie Datenverarbeitung
- Einsatz von Python zur Datenmanipulation und -analyse
- Arbeiten mit Finanzdaten mithilfe der Bibliotheken Pandas und NumPy
- Visualisierung von Daten mittels Matplotlib und Seaborn
Überwachtes Lernen zur Finanzvorhersage
- Lineare und logistische Regression
- Entscheidungsbäume sowie zufällige Waldalgorithmen
- Bewertung der Modellleistung: Genauigkeit, Präzision, Abdeckungsgrad sowie AUC-Wert
Unüberwachtes Lernen und Erkennung von Ausreißern
- Clusteranalyse-Verfahren wie K-Means oder DBSCAN
- Hauptkomponentenanalyse (PCA)
- Erkennung von ungewöhnlichen Mustern zur Vorbeugung von Betrug
Kreditscoring sowie Risikomodellierung
- Entwicklung von Kreditbewertungsmodellen unter Verwendung der logistischen Regression und baumbasierten Algorithmen
- Umgang mit ungleichmäßig verteilten Datensätzen in Risikomodellen
- Modellinterpretierbarkeit sowie Fairness bei finanziellen Entscheidungen
Betrugserkennung mittels Maschinellem Lernen
- Häufige Formen von finanziellen Betrugstaten
- Einsatz klassifizierender Algorithmen zur Identifikation ungewöhnlicher Ereignisse
- Strategien für die zeitnahe Bewertung und Umsetzung von Modellen
Bereitstellung von Modellen sowie ethische Aspekte der KI in Finanzwesen
- Implementierung von Modellen mithilfe von Python, Flask oder Cloud-Plattformen
- Ethische Grundsätze sowie Einhaltung gesetzlicher Vorgaben (z. B. Datenschutz-Grundverordnung und Nachvollziehbarkeit der Algorithmen)
- Überwachung sowie regelmäßiges Aktualisieren von Modellen im produktiven Einsatz
Zusammenfassung und nächste Schritte
Voraussetzungen
- Grundverständnis der Statistik sowie finanzwirtschaftlicher Konzepte
- Erfahrung im Umgang mit Excel oder anderen Datenanalyse-Tools
- Grundkenntnisse in Programmierung – idealerweise in Python
Zielgruppe
- Finanzanalysten
- Aktuare
- Risikomanagement-Experten
Erfahrungsberichte (5)
Mögliche Anwendungen / Übungen
Estelle De la Fouchardiere - Advanced Bionics AG
Kurs - Machine Learning & AI for Finance Professionals
Maschinelle Übersetzung
Ich habe es wirklich genossen, zu sehen, wie das Verwenden dieses Tools die Arbeit wirklich verbessern und automatisieren kann. Ich schätzte auch den Anfangsteil, bei dem uns geholfen wurde, unsere Vorurteile gegen künstliche Intelligenz abzulegen. Die Beispiele sind wunderbar.
chiara di egidio - Advanced Bionics AG
Kurs - Machine Learning & AI for Finance Professionals
Maschinelle Übersetzung
I liked to get knowledge about new possibilities
Maciej Karolczak - Advanced Bionics AG
Kurs - Machine Learning & AI for Finance Professionals
Maschinelle Übersetzung
I like the examples, so we have an idea of what is possible
Deborah Highes
Kurs - Machine Learning & AI for Finance Professionals
Maschinelle Übersetzung
Es hat mir neue Tools gezeigt, die mir bei der Erstellung von Automatisierungen helfen können.
Alessandra Parpajola - Advanced Bionics AG
Kurs - Machine Learning & AI for Finance Professionals
Maschinelle Übersetzung