Kontakt aufnehmen

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
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (5)

Kommende Kurse

Verwandte Kategorien