Struttura del corso
Introduzione al Machine Learning nel settore finanziario
- Panoramica sull’utilizzo dell’Intelligenza Artificiale e del Machine Learning nel mondo della finanza
- Tipologie di apprendimento automatico: supervisionato, non supervisionato e per rafforzamento
- Studi di caso relativi al rilevamento delle frodi, alla valutazione del credito e alla modellizzazione dei rischi
Nozioni fondamentali su Python e gestione dei dati
- Utilizzo di Python per la manipolazione e l’analisi dei dati
- Analisi di dataset finanziari tramite le librerie Pandas e NumPy
- Visualizzazione grafica dei dati mediante Matplotlib e Seaborn
Apprendimento supervisionato per le previsioni finanziarie
- Regressione lineare e logistica
- Algoritmi a alberi decisionali e foreste casuali
- Valutazione delle prestazioni dei modelli: accuratezza, precisione, richiamo e AUC
Apprendimento non supervisionato e rilevamento delle anomalie
- Tecniche di raggruppamento dati: K-means e DBSCAN
- Analisi in componenti principali (PCA)
- Identificazione delle anomalie per la prevenzione delle frodi
Valutazione del credito e modellizzazione dei rischi
- Costruzione di modelli per la valutazione del merito creditizio mediante regressione logistica ed algoritmi basati su alberi
- Gestione dei dataset squilibrati nell’ambito delle applicazioni legate ai rischi finanziari
- Importanza dell’interpretabilità e della correttezza etica nei modelli utilizzati per le decisioni finanziarie
Rilevamento delle frodi tramite il Machine Learning
- Principali tipologie di frodi nel settore finanziario
- Utilizzo degli algoritmi di classificazione per identificare anomalie
- Strategie di valutazione in tempo reale e distribuzione dei modelli
Implementazione dei modelli ed etica nell’applicazione dell’Intelligenza Artificiale finanziaria
- Distribuzione dei modelli attraverso Python, Flask o piattaforme cloud
- Considerazioni etiche e adempimenti normativi (ad esempio GDPR e requisiti di trasparenza nei processi decisionali)
- Monitoraggio continuo e aggiornamento dei modelli in ambienti operativi
Sintesi finale e prospettive future
Requisiti
- Conoscenza di base della statistica e dei concetti finanziari
- Esperienza nell’utilizzo di Excel o di altri strumenti per l’analisi dati
- Conoscenze di base di programmazione (preferibilmente in Python)
Destinatari del corso
- Analisti finanziari
- Attuari
- Responsabili della gestione dei rischi
Recensioni (5)
Possibili applicazioni/esercizi
Estelle De la Fouchardiere - Advanced Bionics AG
Corso - Machine Learning & AI for Finance Professionals
Traduzione automatica
Ho davvero apprezzato vedere come l'uso di questo strumento possa davvero migliorare e automatizzare il lavoro. Ho anche gradito la parte iniziale in cui ci hanno aiutati a eliminare i nostri pregiudizi sull'intelligenza artificiale. Gli esempi sono meravigliosi.
chiara di egidio - Advanced Bionics AG
Corso - Machine Learning & AI for Finance Professionals
Traduzione automatica
I liked to get knowledge about new possibilities
Maciej Karolczak - Advanced Bionics AG
Corso - Machine Learning & AI for Finance Professionals
Traduzione automatica
I like the examples, so we have an idea of what is possible
Deborah Highes
Corso - Machine Learning & AI for Finance Professionals
Traduzione automatica
mi ha aperto la mente a nuovi strumenti che possono aiutarmi nella creazione di automazioni
Alessandra Parpajola - Advanced Bionics AG
Corso - Machine Learning & AI for Finance Professionals
Traduzione automatica