课程大纲

Machine Learning在Finance中的介绍

  • AI和ML在金融行业的概述
  • 机器学习的类型(监督学习、无监督学习、强化学习)
  • 欺诈检测、信用评分和风险建模的案例研究

Python与数据处理基础

  • 使用Python进行数据操作和分析
  • 使用Pandas和NumPy探索金融数据集
  • 使用Matplotlib和Seaborn进行数据可视化

Supervised Learning用于金融预测

  • 线性回归和逻辑回归
  • 决策树和随机森林
  • 模型性能评估(准确率、精确率、召回率、AUC)

Unsupervised Learning与异常检测

  • 聚类技术(K-means、DBSCAN)
  • 主成分分析(PCA)
  • 用于欺诈预防的异常值检测

信用评分与风险建模

  • 使用逻辑回归和基于树的算法构建信用评分模型
  • 在风险应用中处理不平衡数据集
  • 金融决策中的模型可解释性和公平性

使用Machine Learning进行欺诈检测

  • 常见的金融欺诈类型
  • 使用分类算法进行异常检测
  • 实时评分和部署策略

模型部署与金融AI中的伦理

  • 使用Python、Flask或云平台部署模型
  • 伦理考量和监管合规(如GDPR、可解释性)
  • 在生产环境中监控和重新训练模型

总结与下一步

要求

  • 了解基础统计和财务概念
  • 具备使用Excel或其他数据分析工具的经验
  • 基础编程知识(最好是Python)

受众

  • 财务分析师
  • 精算师
  • 风险管理人员
 21 小时

客户评论 (1)

即将举行的公开课程

课程分类