Kurzusleírás
Bevezetés a multimodális mesterséges intelligenciába a pénzügyekben
- A multimodális mesterséges intelligencia áttekintése és pénzügyi alkalmazásai
- Pénzügyi adatok típusai: strukturált vs. strukturálatlan
- Kihívások a pénzügyi AI alkalmazása során
Kockázatanalízis multimodális mesterséges intelligenciával
- A pénzügyi kockázatkezelés alapjai
- Mesterséges intelligencia alkalmazása előrejelezi a kockázatokat
- Esetenkénti tanulmány: AI-alapú hitelszintelemzési modellek
Csalás detektálás mesterséges intelligenciával
- A pénzügyi csalás gyakori típusai
- AI technikák anomáliák detektálásához
- Valós idejű csalás detektálás stratégiái
Természetes nyelv feldolgozása (NLP) a pénzügyi szövegek elemzéséhez
- Belejárás az információkhoz a pénzügyi jelentések és hírek alapján
- Érzelmek elemzése piaci előrejelezéshez
- LLM-ök (nagy nyelvi modellek) alkalmazása a szabályozás és ellenőrzés érdekében
Képfelismerés a pénzügyekben
- Csaló dokumentumok felismerése AI-vel
- Írás és aláírás elemzése hitelesítéshez
- Esetenkénti tanulmány: AI-alapú ellenőrzési ellenőrzés
Viselkedés elemzése csalás detektáláshoz
- Ügyfélviselkedés nyomon követése AI-vel
- Biometrikus hitelesítés és csalás megelőzés
- Tranzakció minták elemzése gyanús tevékenységek felismerésére
Pénzügyi algoritmusmodellek fejlesztése és üzembe helyezése
- Adatfeldolgozás és jellemzők kinyerése
- AI modellek tanítása pénzügyi alkalmazásokhoz
- Algoritmus-alapú csalásmegelőző rendszerek üzembe helyezése
Szabályozás és etikai szempontok
- AI felügyelet és megfelelőség a pénzintézetekben
- Előítéletek és egyenlőtlenség a pénzügyi algoritmusmodellekben
- Felelős AI használatának legjobb gyakorlásai a pénzügyekben
A jövőbeli trendek az AI-alapú pénzügyekben
- Fejlődés az AI-ben a pénzügyi előrejelezés terén
- Új AI technikák a csalás megelőzéséhez
- A mesterséges intelligencia szerepe a jövőbeni bank- és befektetési világban
Összefoglalás és következő lépések
Követelmények
- Alapvető ismeretek mesterséges intelligenciáról és gépi tanulásról
- Pénzügyi adatok és kockázatkezelés megértése
- Tapasztalat Python programozással és adatelemzéssel
Célközönség
- Pénzügyi szakemberek
- Adatelemzők
- Kockázatkezelők
- A pénzügyi szektor mesterséges intelligencia mérnököi
Vélemények (3)
Az LLM-ek háttérdoloi / elméletei, a gyakorlat
Joanne Wong - IPG HK Limited
Kurzus - Applied AI for Financial Statement Analysis & Reporting
Gépi fordítás
megnyitotta a szememet az új eszközök felé, amelyek segíthetnek nekem az automatizáció területén
Alessandra Parpajola - Advanced Bionics AG
Kurzus - Machine Learning & AI for Finance Professionals
Gépi fordítás
Nagyon értékeltem, hogyan mutatta be mindenkit a képző. Mindent megértettem, még akkor is, ha a Pénzügyek nem az én területe, ő biztosította, hogy mind a résztvevők ugyanazon oldalon álljanak, miközben a maradék időt is figyelembe vette. Az gyakorlatok jó intervallumokban kerültek elhelyezésre. A résztvevőkkel való kommunikáció mindig jelen volt. A anyag tökéletes volt, nem volt túl sok, sem túl kevés. Nagyon részletesen és érthetően magyarázott a bonyolultabb témákra, hogy mindenki megérthesse őket.
Diana
Kurzus - ChatGPT for Finance
Gépi fordítás