Künstliche Intelligenz - mit Anwendungsfällen aus der Finanzbranche

In dieser 2-tägigen Schulung „Künstliche Intelligenz – mit Anwendungsfällen aus der Finanzbranche“ lernen Sie, wie KI-Systeme funktionieren, entwickelt werden und setzen das Gelernte direkt selbst in Python um. Schritt für Schritt bauen Sie eigene kleine Anwendungen mit klassischen Modellen, Zeitreihenanalysen und Neuronalen Netzen und Deep Learning

In zahlreichen praxisnahen Programmierübungen erleben Sie, wie moderne KI-Modelle arbeiten – von der Datenaufbereitung bis zur Modellbewertung. Dabei setzen wir bewusst auf intuitive Erklärungen statt Fachkauderwelsch.

Ob Sie schon erste Python-Erfahrungen mitbringen oder gerade erst einsteigen – Sie entwickeln in diesem Kurs ein tiefes Verständnis für die Funktionsweise und Einsatzmöglichkeiten von KI in der Finanzwelt.

Zum Seminar: 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?