Onbegeleide leermodellen toepassen in financiële analyse
Bouw concrete vaardigheden voor clustering, anomaliedetectie en dimensiereductie binnen financiële datasets. Dit programma combineert algoritmes met directe toepassing op real-world situaties zoals portfoliosegmentatie en fraudeherkenning.
Data voorbereiden en patronen identificeren
Leer missing values behandelen en features schalen. Focus ligt op het begrijpen van je dataset voordat je algoritmes toepast. Je leert identificeren welke kenmerken relevant zijn voor clustering.
Clusteralgoritmes implementeren
Pas K-means, hierarchische clustering en DBSCAN toe op financiële data. Vergelijk resultaten en leer wanneer elk algoritme geschikt is. Je werkt met klantensegmentatie en portfoliogroepering.
Dimensiereductie toepassen
Gebruik PCA en t-SNE om hoge dimensionale data te visualiseren. Dit helpt complexe datasets begrijpelijk maken en verbanden zichtbaar maken die anders verborgen blijven.
Anomalieën detecteren in transactiedata
Bouw systemen die afwijkende patronen herkennen. Je leert Isolation Forest en Local Outlier Factor gebruiken voor fraudedetectie en het spotten van ongebruikelijke marktbewegingen.
Eindproject met eigen dataset
Pas geleerde technieken toe op een self-gekozen financieel probleem. Dit kan portfoliooptimalisatie zijn, risico-analyse of een andere concrete toepassing binnen je werkcontext.
Concrete tools en libraries
Werk met scikit-learn, pandas en matplotlib. Alle oefeningen gebruiken datasets uit banking, trading en risicomanagement. Je installeert een lokale omgeving die je daarna blijft gebruiken voor eigen projecten.
Tessa Volckaert
Quantitative analyst
Past geleerde technieken direct toe
Geen theoretische exercities
Elke sessie start met een financieel probleem. Je leert algoritmes kiezen op basis van dataeigenschappen en bedrijfsvraag. Discussies gaan over interpretatie van resultaten en praktische beperkingen van modellen.
Maarten Desmet
Data scientist