Kurzusleírás

Bevezetés a gépi tanulásba a pénzügyekben

  • Áttekintés az AI és ML alkalmazásáról a pénzügyi iparágban
  • A gépi tanulás típusai (felügyelt, felügyelet nélküli, megerősítéses tanulás)
  • Esettanulmányok a családfelderítés, hitelminősítés és kockázatmodellezés területén

Python és adatkezelés alapjai

  • Python használata adatmanipulációra és -elemzésre
  • Pénzügyi adathalmazok feltárása Pandas és NumPy segítségével
  • Adatvizualizáció Matplotlib és Seaborn használatával

Felügyelt tanulás pénzügyi előrejelzéshez

  • Lineáris és logisztikus regresszió
  • Döntési fák és véletlen erdők
  • Modellteljesítmény értékelése (pontosság, precízió, visszahívás, AUC)

Felügyelet nélküli tanulás és anomáliafelderítés

  • Klaszterezési technikák (K-means, DBSCAN)
  • Főkomponens-elemzés (PCA)
  • Kiugró értékek felderítése családfelderítés céljából

Hitelminősítés és kockázatmodellezés

  • Hitelminősítési modellek készítése logisztikus regresszió és faalapú algoritmusok segítségével
  • Kiegyensúlyozatlan adathalmazok kezelése kockázati alkalmazásokban
  • Modellértelmezhetőség és tisztesség a pénzügyi döntéshozatalban

Családfelderítés gépi tanulással

  • Gyakori pénzügyi csalástípusok
  • Osztályozó algoritmusok használata anomáliafelderítéshez
  • Valós idejű pontozás és telepítési stratégiák

Modelltelepítés és etika a pénzügyi AI-ban

  • Modellek telepítése Python, Flask vagy felhőalapú platformok segítségével
  • Etikai megfontolások és szabályozási megfelelőség (pl. GDPR, magyarázhatóság)
  • Modellek monitorozása és újratanítása éles környezetben

Összefoglalás és következő lépések

Követelmények

  • Alapvető statisztikai és pénzügyi fogalmak ismerete
  • Tapasztalat Excelben vagy más adatelemző eszközökben
  • Alapvető programozási ismeretek (preferálhatóan Pythonban)

Célközönség

  • Pénzügyi elemzők
  • Aktuáriusok
  • Kockázati tisztviselők
 21 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (5)

Közelgő kurzusok

Rokon kategóriák