Banken, Versicherungen & Kanzleien

Neuronale Netze in Banken: Kreditrisiko, Kursprognose und Betrug mit Python

Dieser Tag richtet sich an Fachleute aus Banken und Finanzdienstleistern, die Python bereits lesen und schreiben und neuronale Netze an bankfachlichen Daten ausprobieren wollen. Sie bauen mit keras ein erstes Netz, bereiten Kredit- und Transaktionsdaten auf, sagen Kreditausfälle voraus, prognostizieren Kursverläufe mit LSTM und spüren verdächtige Zahlungen mit Autoencodern auf. Zum Schluss geht es um Erklärbarkeit und Deployment unter regulatorischen Anforderungen. Sie verlassen das Seminar mit lauffähigen Beispielen und ersten Ideen, wo Deep Learning in Ihrem Institut Sinn ergibt.

Für wen

Fach- und Führungskräfte aus Banken und Finanzdienstleistungsunternehmen, vor allem aus Datenanalyse, IT, Risikomanagement, Marketing und Business Development, die mit Python-Grundkenntnissen den praktischen Einsatz neuronaler Netze kennenlernen wollen.

KI-Tagesseminar · 1 Tag

Deep Learning an Kredit-, Konto- und Zahlungsdaten selbst programmieren

Das nehmen Sie mit

  • Ein klares Bild davon, wie neuronale Netze aufgebaut sind und wann sie klassischen ML-Verfahren überlegen sind
  • Erprobte Schritte, um Zeitreihen und Transaktionsdaten mit Feature Engineering und Normalisierung vorzubereiten
  • Eigene Python-Modelle für Kreditausfallrisiko, Kursprognose mit LSTM und Fraud Detection mit Autoencodern
  • Kriterien für Modellbewertung, Erklärbarkeit und Deployment im regulierten Bankumfeld

Ablauf

  1. Teil 1

    Modul 1 – Grundlagen: Wie neuronale Netze rechnen und wo Banken sie nutzen

    • Bausteine eines Netzes: Neuronen, Schichten und Aktivierungsfunktionen
    • Klassische ML-Verfahren und Deep Learning im Vergleich, etwa Entscheidungsbaum gegen mehrschichtiges Netz
    • Einsatzfelder im Finanzwesen, vom Kreditscoring bis zur Zahlungsüberwachung
    • Übung: Mit keras ein kleines neuronales Netz aufsetzen und trainieren
  2. Teil 2

    Modul 2 – Datenvorbereitung: Kontobewegungen und Kreditakten modellfähig machen

    • Zeitreihen- und Transaktionsdaten richtig einlesen, sortieren und zerlegen
    • Feature Engineering, etwa Buchungshäufigkeiten, und Normalisierung der Merkmale
    • Imbalancen behandeln, wenn Ausfälle oder Betrugsfälle selten sind, und Lücken in den Daten schließen
    • Übung: Einen Beispieldatensatz aus dem Kreditgeschäft für das Training aufbereiten
  3. Teil 3

    Modul 3 – Klassifikation: Kreditausfälle mit einem Netz vorhersagen

    • Netzarchitektur für eine binäre Entscheidung wie Ausfall oder kein Ausfall
    • Verlustfunktionen, Optimizer und Metriken passend zur Fragestellung wählen
    • Overfitting mit Dropout und Early Stopping eindämmen
    • Übung: In Python ein Modell trainieren, das das Kreditausfallrisiko schätzt
  4. Teil 4

    Modul 4 – Zeitreihen und Auffälligkeiten: LSTM-Prognosen und Fraud Detection

    • Rekurrente Netze verstehen: RNN, LSTM und GRU und was sie unterscheidet
    • Kontobewegungen oder Börsenkurse als Zeitreihe modellieren
    • Übung: Den Verlauf von Aktienkursen mit einem LSTM-Netz prognostizieren
    • Autoencoder zur Outlier Detection: Abweichungen vom gelernten Normalmuster messen
    • Betrugsmuster im Zahlungsverkehr als Anschauungsfälle
    • Übung: Verdächtige Transaktionen in einem Zahlungsdatensatz aufdecken
  5. Teil 5

    Modul 5 – Weg ins Institut: Erklärbarkeit, Deployment und eigene Projektideen

    • Modelle bewerten und Entscheidungen erklärbar machen, wie es das regulierte Umfeld verlangt
    • Deployment-Strategien: wie ein trainiertes Modell in die Systemlandschaft der Bank gelangt
    • Diskussion: Was neuronale Netze im Bankensektor leisten können und wo ihre Grenzen liegen
    • Übung: Anwendungsideen für Ihren eigenen Bereich entwickeln und vorstellen

VoraussetzungenPython-Grundkenntnisse, etwa Listen, Funktionen und Bibliotheken wie pandas, sowie Basiswissen in Datenanalyse. Erfahrung mit Machine Learning hilft, ist aber keine Bedingung.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen