Kursplan

Introduktion till AI i finansiella tjänster

  • Användningsfall: bedrägeridetektering, kreditscore, complianceövervakning
  • Regulatoriska överväganden och riskramar
  • Översikt över finjustering i högriskmiljöer

Förberedelse av finansiella data för finjustering

  • Källor: transaktionsloggar, kunddemografi, beteendedata
  • Datasekretess, anonymisering och säker bearbetning
  • Feature engineering för tabell- och tidsserie-data

Modelfinjusterings tekniker

  • Överföringsinlärning och modellanpassning till finansiella data
  • Domänsspecifika förlustfunktioner och metrik
  • Användning av LoRA och adapterfinjustering för effektiva uppdateringar

Riskprediktionsmodellering

  • Prediktiv modellering för lånsoverskott och kreditscore
  • Balansera tolkningsbarhet mot prestanda
  • Hantering av ojämnt fördelade datasätt i riskscenarier

Bedrägeridetekteringsapplikationer

  • Bygga anomalidetektionspipelines med finjusterade modeller
  • Real-tids- vs. batch-bedrägeriprediktionsstrategier
  • Hybridmodeller: regelbaserade + AI-drivna detektioner

Utvärdering och förklarbarhet

  • Modellutvärdering: precision, recall, F1, AUC-ROC
  • SHAP, LIME och andra förklarbarhetssverktyg
  • Auditing och compliance-rapportering med finjusterade modeller

Distribuering och övervakning i produktionsmiljö

  • Integrera finjusterade modeller i finanstjänstepaltformar
  • CI/CD-pipeliner för AI i bank-system
  • Övervakning av drift, omtraning och livscykelhantering

Sammanfattning och nästa steg

Krav

  • En förståelse för övervakade inlärningstekniker
  • Erfarenhet av Pythonbaserade maskininlärningsramverk
  • Kännedom om finansiella datasätt som transaktionsloggar, kreditscore eller KYC-data

Målgrupp

  • Datavetare inom finansiella tjänster
  • AI-ingenjörer som arbetar med fintech eller bankinstitUTIONer
  • Maskininlärningsprofessorer som bygger risk- eller bedrägerimodeller
 14 Timmar

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier