联系我们

课程大纲

金融中的机器学习简介

  • 金融行业中AI与ML的概述
  • 机器学习类型(监督学习、非监督学习、强化学习)
  • 欺诈检测、信用评分和风险建模案例研究

Python与数据处理基础

  • 使用Python进行数据处理与分析
  • 使用Pandas和NumPy探索金融数据集
  • 使用Matplotlib和Seaborn进行数据可视化

用于金融预测的监督学习

  • 线性回归与逻辑回归
  • 决策树与随机森林
  • 评估模型性能(准确率、精确率、召回率、AUC)

非监督学习与异常检测

  • 聚类技术(K-means、DBSCAN)
  • 主成分分析(PCA)
  • 用于欺诈预防的离群点检测

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
  • 处理风险应用中的不平衡数据集
  • 金融决策中的模型可解释性与公平性

使用机器学习进行欺诈检测

  • 常见金融欺诈类型
  • 使用分类算法进行异常检测
  • 实时评分与部署策略

金融AI中的模型部署与伦理

  • 使用Python、Flask或云平台部署模型
  • 伦理考量与法规遵从(如GDPR、可解释性)
  • 生产环境中的模型监控与再训练

总结与后续步骤

要求

  • 理解基础统计学和金融概念
  • 具备Excel或其他数据分析工具的使用经验
  • 基础编程知识(最好掌握Python)

目标学员

  • 金融分析师
  • 精算师
  • 风险官
 21 小时

客户评论 (5)

即将举行的公开课程

课程分类