Kredi Riski ve Yapay Zeka Uygulamaları Eğitimi

Açıklama

Kredi Riski ve Yapay Zeka Uygulamaları Eğitimi, kredi riski analizinde veri bilimi ve makine öğrenmesi yaklaşımlarının kullanımını ele alan 5 günlük sanal sınıf/online programdır. İçerik, yapay zekâ ve veri biliminin temellerinden Python ile veri hazırlama, modelleme ve değerlendirmeye uzanır. Kredi riski veri setiyle finansal analiz ve farklı makine öğrenmesi modellerinin finansal veriler üzerinde uygulanması müfredatta yer alır.

Programın amacı kredi riski yönetiminde temel kavramları aktarmak, yapay zekâ ve makine öğrenmesi tekniklerinin kullanım alanlarını göstermek, değerlendirme ve modelleme süreçlerini incelemek, bu teknolojilerin avantajlarını ve olası zorluklarını tartışmaktır. Müfredat ayrıca CRISP-DM, keşifsel veri analizi, RFM analizi, gerçek zamanlı model kullanımı ve modellerin başka uygulamalara aktarılması başlıklarını içerir.

Kimler Katılmalı?

Bankacılık sektörü profesyonelleri
Veri bilimciler ve analistler
Bilgi teknolojileri ve yazılım geliştirme ekipleri
Bankacılıkta yenilikçi çözümler arayan yöneticiler

Eğitim İçeriği

Yapay Zeka Temelleri

Yapay Zeka Nedir?
Yapay Zeka Uygulama Alanları Nelerdir? Gerçek Hayat Örnekleri.
Yapay Zekanın Finans Sektöründeki Uygulamaları Nelerdir?
Yapay Zekanın Geleceği ve Yaklaşımları Nelerdir?

Veri Biliminin Temelleri

Veri Analizi Nedir? Veri Analizi ile Neler Yapılabilir?
Veri Bilimi Nedir?
Veri Biliminin Unsurları Nelerdir?
Veriden Faydalı Bilgi Çıkarma Aşamaları Nasıl İşler? (Veri Analitiği)
Veri Analitiğinin Finans Sektöründeki Uygulama Örnekleri

Veri Bilimi İş Süreci Döngüsünde Nasıl Uygulanır

CRISP-DM Metodolojisi

Veri Biliminde Uygulama Geliştirme Temel Aşamaları

Makine Öğrenmesi

Makine Öğrenmesi Nedir? Makine Öğrenmesi Nasıl Çalışır?
Makine Öğrenmesi ile Geleneksel Programlama Arasındaki Farklar Nelerdir?
Makine Öğrenmesi Türleri Nelerdir?
Makine Öğrenmesi Algoritmaları Hangi Alanlarda Çözümler Üretir
Makine Öğrenmesinin Geleceği
Makine Öğrenmesinin Finans Sektöründeki Uygulama Örnekleri

Derin Öğrenme

Derin Öğrenme Nedir? Derin Öğrenme Nasıl Çalışır.
Makine Öğrenmesi ile Derin Öğrenme Farkları
Derin Öğrenmenin Finans Sektöründeki Uygulama Örnekleri

CRM Analitiği

CRM Analitiği Nedir?
RFM Analizi Nedir?
Makine Öğrenmesi ile CRM Analitiğinin İlişkisi Nedir?

Veri Bilimi (Yapay Zeka) Uygulama Geliştirme – Keşifsel Veri Analizi

Python ile Veri Bilimi Uygulamaları Geliştirme

Python Programlama Diline Genel Bakış
Python ile Program Geliştirmek İçin Kullanılan Geliştirme Ortamları
Python Programlama Dilinin Temelleri

Veri Okuryazarlığı

Dosyadan (Excel, CSV vd) Veri Seti Yükleme/Okuma
Verinin Gösterimi
Verinin Boyutu Hakkında Bilgi Edinme
Veride Örneklem
Verideki Data Tipleri
Temel İstatistiki Bilgi Edinme

Veri Ön İşleme ve Temizleme (Data Preparation and Cleaning)

Veri Tanıma
Öznitelik Görüntüleme ve Seçme
Sıralama ve Gruplama
Öznitelikler Üzerinde İşlemler
Gözlemler Üzerinde İşlemler
Veri Filtreleme
Eksik Veriler
Tekrar Eden Veriler
Veri Dönüştürme İşlemleri
Aykırı/Uç Verileri Tespit Etme
Veri Görselleştirme

Finansal Veri Setleri Üzerinde Veri Analizi Uygulama Çalışmaları

Kredi Risk Veri Seti Üzerinde Finansal Analiz
Zamansal Veri Seti Üzerinde Analiz (yahoo finance üzerinde veri çekme ve analiz)

Veri Bilimi (Yapay Zeka) Uygulama Geliştirme – Makine Öğrenmesi

Temel Kavramlar ve Terminoloji

Problem Türleri (Regresyon, Sınıflandırma)
Model
Veri Setini Eğitim ve Test Olarak Bölme
Aşırı Öğrenme (overfitting)
Model Doğrulama

Öğrenme Çeşitleri

Denetimli Öğrenme (Supervised)
Denetimsiz Öğrenme (Unsupervised)
Takviyeli/Pekiştirmeli Öğrenme (Reinforcement)

Özellik Mühendisliği

Aykırı Değer Tespiti
Veri Temizleme
Veri Dönüştürülmesi (encoding scaling)
Veri Azaltma
Özellik Çıkarma (Feature Extraction)

Makine Öğrenmesi Modelleri Başarı Değerlendirme Yöntemleri

Karmaşıklık Matrisi (Confusion Matrix)
R2 Score
F1 Score
AUC-ROC Curve
Ortalama Mutlak Hata (Mean Absolute Error, MAE)
Ortalama Kare Hatası (Mean Squared Error, MSE)

Scikit-Learn Modülü ve Makine Öğrenmesi

Finansal Veri Setleri Üzerinde Makine Öğrenmesi Algoritmaları/Modelleri ve Uygulama Geliştirme

Regresyon Modelleri (Teori, Model, Tahmin)

Basit Lineer
Çoklu Lineer

Sınıflandırma Modelleri (Teori, Model, Tahmin)

Lojistik Regresyon ile Sınıflandırma
K-En Yakın Komşu (K-Nearest Neighbours – KNN) ile Sınıflandırma
Karar Ağaçları (Decision Tree – CART) ile Sınıflandırma
Destek Vektör Makinaları (SVM) ile Sınıflandırma

Kümeleme Modelleri (Teori, Model, Tahmin) (Denetimsiz Öğrenme Uygulaması)

K-Means Algoritması ile Kümeleme
Hiyerarşik Kümeleme

Boosting (Tahmin) Modelleri (Teori, Model, Tahmin)

Gradient Boosting
XBoost
LightGBM

CRM Analitiği Kapsamında RFM (Recency, Frequency, Monetary) Analizi

RFM Analizi ile Müşteri Segmentasyonu
K-means İle Kümeleme (K-means Clustering)

Gerçek Zamanlı (Akan Veri Üzerinde) Makine Öğrenmesi Uygulaması

Bir ML modelinin online bir veritabanı (firebase) üzerinden çekilen veri ile tahmin uygulaması geliştirme

Makine Öğrenmesi Modellerinin Kayıt Edilmesi ve Başka Uygulamalara Transferi

Veri Bilimi Modellerinin Farklı Uygulamalarda Kullanma Yöntemleri
Pickle ile Modelin Transferi
Joblib ile Modelin Transferi
m2cgen ile native koda dönüştürülme

Eğitim Katılım Ön Koşulları

Mevcut eğitim sayfasında katılım ön koşulu belirtilmemiştir. Python, veri bilimi veya kredi riski alanında ön bilgi gerekip gerekmediğini eğitim talebiniz sırasında teyit edebilirsiniz.

Python kullanımına ayrı bir başlangıç yapmak isteyenler Finansçılar için Python Programlama Eğitimi sayfasını inceleyebilir. Bu eğitim, kredi riski programı için ilan edilmiş bir ön koşul değildir.

Kurumunuz için eğitim planı ve fiyat teklifi almak üzere bu sayfadaki İletişim Formu’nu doldurabilirsiniz. Diğer iletişim seçenekleri için BlueMark Academy iletişim sayfasını kullanabilirsiniz.

Sık Sorulan Sorular

Kredi Riski ve Yapay Zeka Uygulamaları Eğitimi kaç gün sürer?

Eğitim 5 gün sürer.

Eğitim online mı?

Evet. Eğitim tipi Sanal Sınıf / Online olarak belirtilmiştir.

Eğitim kimler için uygundur?

Bankacılık profesyonelleri, veri bilimciler, analistler, BT ve yazılım geliştirme ekipleri ile bankacılıkta yenilikçi çözümler arayan yöneticiler hedef kitle olarak belirtilmiştir.

Eğitimde Python ve makine öğrenmesi işlenir mi?

Evet. Müfredatta Python ile veri bilimi uygulamaları, scikit-learn, regresyon, sınıflandırma, kümeleme ve boosting modelleri yer alır.

Kredi riski veri seti üzerinde çalışma var mı?

Evet. Finansal veri setleri bölümünde kredi risk veri seti üzerinde finansal analiz yer alır.

Eğitime katılım ön koşulu nedir?

Mevcut eğitim sayfasında katılım ön koşulu belirtilmemiştir. Gerekli ön bilgiyi eğitim talebiniz sırasında teyit edebilirsiniz.