Cursusaanbod

Inleiding tot Machine Learning in de Financiële Sector

  • Overzicht van AI en ML in de financiële industrie
  • Soorten machine learning (supervised, unsupervised, reinforcement learning)
  • Casestudies in fraude-detectie, kredietbeoordeling en risicomodellering

Python en Data Handling Basis

  • Het gebruik van Python voor data-manipulatie en -analyse
  • Financiële datasets verkennen met Pandas en NumPy
  • Data-visualisatie met Matplotlib en Seaborn

Supervised Learning voor Financiële Voorspelling

  • Lineaire en logistieke regressie
  • Beslissingsbomen en willekeurige bossen
  • Modelkwaliteit evalueren (nauwkeurigheid, precisie, herstel, AUC)

Unsupervised Learning en Anomaliedetectie

  • Clustering technieken (K-means, DBSCAN)
  • Hoofdcomponentenanalyse (PCA)
  • Uitbijterdetectie voor fraudepreventie

Kredietbeoordeling en Risicomodellering

  • Kredietbeoordelingsmodellen bouwen met logistieke regressie en tree-based algoritmen
  • Imbalans in datasets afhandelen bij risico-toepassingen
  • Modelinterpretatie en fairheid in financiële beslissingen

Fraude-detectie met Machine Learning

  • Gewone soorten financiële fraude
  • Classificatiealgoritmen gebruiken voor anomaliedetectie
  • Real-time scoring en implementatiestrategieën

Modelimplementatie en Ethiek in Financiële AI

  • Modellen implementeren met Python, Flask of cloudplatforms
  • Ethische overwegingen en regulering (bijv. AVG, uitlegbaarheid)
  • Modellen in productieomgevingen monitoren en opnieuw trainen

Samenvatting en Volgende Stappen

Vereisten

  • Een begrip van basisstatistiek en financiële concepten
  • Ervaring met Excel of andere data-analysetools
  • Basisprogrammeringskennis (preferabel in Python)

Doelgroep

  • Financiële analisten
  • Actuarissen
  • Risicobeoefenaren
 21 Uren

Aantal deelnemers


Prijs Per Deelnemer

Getuigenissen (5)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën