Unüberwachtes Lernen in der Finanzwelt
Erkennen Sie verborgene Strukturen in Finanzdaten und entwickeln Sie praxisnahe Fähigkeiten für maschinelles Lernen ohne vorgegebene Ziele.
Sie lernen Clustering-Algorithmen, Dimensionsreduktion und Anomalieerkennung anzuwenden. Dieser Kurs richtet sich an Datenanalysten und Finanzexperten, die ihre technischen Kompetenzen erweitern möchten.
Was Sie in diesem Programm entwickeln
Unüberwachtes Lernen findet Muster dort, wo keine klaren Antworten vorliegen. Sie arbeiten mit echten Datensätzen und bauen Modelle, die Zusammenhänge selbstständig erkennen.
Clustering: Gruppieren Sie Finanzinstrumente nach Verhaltensmustern. K-Means, hierarchisches Clustering und DBSCAN werden im Detail behandelt.
Dimensionsreduktion: Vereinfachen Sie komplexe Datenstrukturen mit PCA und t-SNE. Visualisieren Sie hochdimensionale Daten verständlich.
Anomalieerkennung: Identifizieren Sie ungewöhnliche Transaktionen und Marktbewegungen. Isolation Forest und Autoencoder werden praktisch eingesetzt.
-
Verstehen Sie die theoretischen Grundlagen und Unterschiede zu überwachten Methoden. Sie implementieren erste Clustering-Algorithmen in Python.
Praktische Übung: Segmentierung eines Portfolio-Datensatzes nach Risikoprofilen.
-
Vertiefen Sie Ihr Wissen über DBSCAN, Gaussian Mixture Models und spektrales Clustering. Vergleichen Sie Performance und Eignung verschiedener Algorithmen.
Praktische Übung: Analyse von Kundentransaktionsmustern zur Erkennung von Verhaltensgruppen.
-
Wenden Sie PCA, t-SNE und UMAP an, um komplexe Finanzstrukturen darzustellen. Interpretieren Sie reduzierte Dimensionen korrekt.
Praktische Übung: Visualisierung von Aktiencorrelationen in niedrigdimensionalen Räumen.
-
Entwickeln Sie Systeme zur Erkennung ungewöhnlicher Handelsmuster und potenzieller Betrugsfälle. Isolation Forest, One-Class SVM und Autoencoder werden verglichen.
Praktische Übung: Aufbau eines Frühwarnsystems für Marktanomalien mit realen Zeitreihendaten.
