Get in Touch
 Duration 21 hours

Course Outline

Uvod u mašinsko učenje u finansijama

  • Pregled AI i ML u finansijskoj industriji
  • Vrste mašinskog učenja (nadzorovano, nenadzorovano, učenje pojačavanjem)
  • Studije slučaja u detekciji prevara, kreditnom ocenjivanju i modeliranju rizika

Osnove Python-a i obrade podataka

  • Korišćenje Python-a za manipulaciju i analizu podataka
  • Istraživanje finansijskih skupova podataka uz Pandas i NumPy
  • Vizualizacija podataka uz Matplotlib i Seaborn

Nadzorovano učenje za finansijske predikcije

  • Linearna i logistička regresija
  • Drveće odluka i nasumične šume
  • Evaluacija performansi modela (tačnost, preciznost, osetljivost, AUC)

Nenadzorovano učenje i detekcija anomalija

  • Tehnike klasterizacije (K-means, DBSCAN)
  • Analiza glavnih komponenti (PCA)
  • Detekcija izuzetaka radi sprečavanja prevara

Kreditno ocenjivanje i modeliranje rizika

  • Izgradnja modela za kreditno ocenjivanje koristeći logističku regresiju i algoritme zasnovane na drvetu
  • Opremanje sa nesbalansiranim skupovima podataka u aplikacijama rizika
  • Interpretabilnost modela i poštenje u finansijskom donošenju odluka

Detekcija prevara mašinskim učenjem

  • Česti tipovi finansijskih prevara
  • Korišćenje klasifikacionih algoritama za detekciju anomalija
  • Strategije ocenjivanja u realnom vremenu i implementacije

Implementacija modela i etika u finansijskoj AI

  • Implementacija modela uz Python, Flask ili cloud platforme
  • Etički aspekti i regulatorna usklađenost (npr. GDPR, interpretabilnost)
  • Praćenje i ponovno treniranje modela u proizvodnom okruženju

Zaključak i naredni koraci

Requirements

  • Znanje osnovne statistike i finansijskih koncepata
  • Iskustvo rada sa Excelom ili drugim alatima za analizu podataka
  • Osnovna znanja programiranja (poželjno u Pythonu)

Ciljna publika

  • Finansijski analitičari
  • Aktuariji
  • Oslužnici rizika

Number of participants


Price per participant

Testimonials (5)

Upcoming Courses

Related Categories