RİSK ANALİTİĞİ

Makine Öğrenmesi ve Risk Analitiği

Erken uyarı, anomali ve risk skorlama problemleri için kontrollü model geliştirme yaklaşımı kazanın.

01 / EĞİTİM ÖZETİ

Bu eğitim ne sağlar?

Bankacılık risk problemleri için makine öğrenmesi model yaşam döngüsünü öğretir. Performans kadar veri sızıntısı, açıklanabilirlik, eşik seçimi, yanlış alarm maliyeti, izleme ve model riski üzerinde durur.

02 / KİMLER KATILMALI?

Hedef katılımcılar

Veri bilimciler ve model geliştiriciler
Risk analitiği ve erken uyarı ekipleri
Model doğrulama çalışanları
İleri analitik projelerinde görev alan teknoloji ekipleri

03 / ÖĞRENME KAZANIMLARI

Eğitim sonunda

Risk problemini uygun ML görevine dönüştürme

Zamansal veri ayrımı ve sızıntıyı önleme

Sınıflandırma modellerini eğitip karşılaştırma

ROC-AUC, precision, recall ve maliyet bazlı eşik yorumlama

Açıklanabilirlik ve izleme planı oluşturma

04 / EĞİTİM MODÜLLERİ

Program içeriği

MODÜL 01

Risk problemi ve veri tasarımı

Hedef değişken
Gözlem ve performans dönemi
Veri sızıntısı

MODÜL 02

Model geliştirme

Lojistik regresyon
Karar ağacı ve ensemble
Dengesiz sınıflar

MODÜL 03

Performans ve eşik

Confusion matrix
ROC-AUC ve PR-AUC
İş maliyetiyle eşik seçimi

MODÜL 04

Model riski ve izleme

Açıklanabilirlik
Stabilite ve drift
Doğrulama ve insan gözetimi

05 / KATILIM BANKACILIĞI KULLANIM SENARYOLARI

Genel örnek değil,
bankacılık vakası

01Erken uyarı göstergeleri

02Sahte işlem ve anomali tespiti

03Finansman portföyü risk analizi

04Operasyonel hata öngörüsü

Veri güvenliği

Uygulamalarda sentetik, anonimleştirilmiş veya kurum tarafından kullanımına izin verilmiş veriler kullanılır.

06 / ÖN KOŞULLAR

Başlamadan önce

Python/pandas bilgisi
Temel istatistik ve olasılık
Veri hazırlama deneyimi

07 / EĞİTİM YÖNTEMİ

Nasıl ilerler?

Python laboratuvarı
Model karşılaştırma çalışmaları
Hata maliyeti simülasyonu
Model kartı hazırlama

08 / UYGULAMA VE PROJE YAPISI

UYGULAMALI ÇIKTI

Bilgiyi işe dönüştüren final projesi

Sentetik finansman davranış verisi üzerinde erken uyarı modeli geliştirilir; veri ayrımı, performans, eşik, açıklanabilirlik, sınırlılıklar ve izleme planı model kartıyla sunulur.

△

09–10 / ÖLÇME, DEĞERLENDİRME VE SERTİFİKA

Başarı nasıl ölçülür?

DEĞERLENDİRME MODELİ

Laboratuvarlar %25, model risk sınavı %25 ve final model/model kartı %50 ağırlığındadır. Başarı eşiği 70/100’dür.

SERTİFİKA TÜRÜ

Başarı Sertifikası

Sınav ve gerekli değerlendirme aşamalarını başarıyla tamamlayanlara verilir.

Üniversite veya akreditasyon kuruluşuyla resmî anlaşma yapılmadığı sürece bu belge; resmî mesleki yeterlilik, üniversite onaylı sertifika veya uluslararası akreditasyon olarak sunulmaz.

11 / EĞİTMEN

Akademik temel,
sektör deneyimi.

İÇ

İbrahim Çetin

İbrahim Çetin — 23 yılı aşkın bankacılık ve finans teknolojileri deneyimiyle; veri bilimi, finansal raporlama, risk analitiği, core banking ve regülasyon alanlarında çalışan sektör profesyoneli.

12 / SIK SORULAN SORULAR

Merak edilenler

01Hangi algoritmalar ele alınıyor?+

Lojistik regresyon, karar ağaçları, Random Forest ve gradient boosting yaklaşımı karşılaştırmalı işlenir.

02Kredi kararı veren model mi geliştiriliyor?+

Eğitim amaçlı kontrollü risk analitiği örnekleri geliştirilir; canlı kredi kararı veya üretim kullanımı söz konusu değildir.

03Model açıklanabilirliği var mı?+

Evet. Değişken etkisi, yerel/küresel açıklama ve model kartı eğitimin temel parçalarıdır.

13 / KURUMSAL EĞİTİM SEÇENEĞİ

Ekibinize göre uyarlayın.

Kurumun model geliştirme/doğrulama politikaları ve risk taksonomisine göre; erken uyarı, anomali veya operasyonel risk odağında uyarlanabilir.

Kurumsal Eğitim İçin Bilgi Al →

14 / BAŞVURU VE BİLGİ

Bu eğitime
katılmaya hazır mısınız?

Takvim, kontenjan ve kurumsal uygulama seçenekleri hakkında bilgi alın.

Başvuru / Bilgi Al →