Künstliche Intelligenz - mit Anwendungsfällen aus der Finanzbranche

Einführung in das Thema Künstliche Intelligenz

• Was ist Künstliche Intelligenz – und was nicht?
• Überblick über Themen und Module der Schulung
• Warum KI für die Finanzbranche jetzt relevant ist

Einstieg in Machine Learning

• Grundlagen und Methoden des maschinellen Lernens
• Aufbau und Funktionsweise neuronaler Netze
• Wie Maschinen lernen: Trainingsdaten, Algorithmen & Modelle
• Feature Engineering: Wie man relevante Informationen aus Daten gewinnt
• Qualität beurteilen: Metriken und Validierung von Modellen

Praxis I: Machine Learning in Python

• Erste eigene Modelle bauen
• Datensätze vorbereiten und trainieren
• Klassifikation und Regression anwenden
• Finance Case 1: Betrugserkennung im Zahlungsverkehr
• Finance Case 2: Kreditentscheidung mit ML-Modellen

Deep Learning & aktuelle Verfahren

• Unterschiede zwischen Machine Learning und Deep Learning
• Supervised, Unsupervised und Reinforcement Learning im Vergleich
• Überblick über Tools & Plattformen (TensorFlow, PyTorch & Co.)
• Grenzen aktueller Ansätze und Ausblick auf kommende Entwicklungen

Praxis II: Deep Learning mit Finanzdaten

• Aufbau eines Deep-Learning-Modells
• Trainingsstrategien und Modelloptimierung
• Finance Case 3: LLM, Text- und Audioanalytics

Ethik & Ausblick

• Verantwortung und gesellschaftliche Auswirkungen von KI
• Wie man ethische Überlegungen im Systemdesign berücksichtigt
• Blick in die Zukunft: Wird es eine „starke KI” geben?

• Keine Voraussetzungen

• Alle, die operativ und strategisch in der Finanzbranche arbeiten und Analytics, Machine Learning und künstliche Intelligenz kennen lernen wollen.

Die Seminarinhalte werden anhand von Beispielen aus der Finanzbranche erläutert.