Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in Machine Learning in Finance
- Überblick über KI und ML im Finanzsektor
- Arten von maschinellem Lernen (supervised, unsupervised, reinforcement learning)
- Anwendungsbeispiele in der Schmiergeldverdächtigung, Bonitätsschätzung und Risikomodellierung
Python und Grundlagen der Datenbearbeitung
- Verwendung von Python für Datenmanipulation und -analyse
- Untersuchung finanztechnischer Datensätze mit Pandas und NumPy
- Datavisualisierung unter Verwendung von Matplotlib und Seaborn
Supervised Learning für Finanzvoraussagen
- Lineare und logistische Regression
- Baum- und Waldmodelle (Decision Trees, Random Forests)
- Auswertung der Modellperformance (Genauigkeit, Präzision, Recall, AUC)
Unsupervised Learning und Anomalieerkennung
- Cluster-Verfahren (K-means, DBSCAN)
- Hauptkomponentenanalyse (PCA)
- Ausreißererkennung zur Schmiergeldprävention
Bonitätsschätzung und Risikomodellierung
- Erstellung von Bonitätsscores mit logistischer Regression und baumbasierten Algorithmen
- Bearbeitung ungleichverteilter Datensätze in Anwendungsfällen des Risikomanagements
- Erläuterbarkeit und Fairness im finanztechnischen Entscheidungsprozess
Schmiergeldverdächtigung mit Machine Learning
- Häufige Arten von Schmiergeldtäuschungen
- Verwendung von Klassifikationsalgorithmen zur Anomalieerkennung
- Echtzeitbewertung und Implementierungskonzepte
Modellimplementierung und Ethik in der Finanz-KI
- Bereitstellung von Modellen mit Python, Flask oder Cloud-Plattformen
- Ethische Überlegungen und rechtliche Einhaltung (z.B. GDPR, Erläuterbarkeit)
- Überwachung und Neuausbildung von Modellen in Produktionsumgebungen
Zusammenfassung und weitere Schritte
Voraussetzungen
- Eine Grundkenntnis von Statistik und finanztechnischen Konzepten
- Erfahrung mit Excel oder anderen Datenanalysewerkzeugen
- Basiswissen in Programmierung (vorzugsweise in Python)
Zielgruppe
- Finanzanalytiker
- Aktuare
- Risikooffiziere
21 Stunden