Unsupervised Machine Learning in der Finanzwirtschaft

Das Thema Unsupervised Machine Learning ist schon seit längerem in der Finanzwirtschaft angekommen, auch im Versicherungssektor finden die Methoden verstärkt Anwendungen. Die beschriebenen Methoden sind vor allem dazu geeignet, unbekannte Strukturen in Datensätzen zu entdecken und können deshalb bei vielen Fragestellungen (z.B. im Asset Management) eingesetzt werden. Im Rahmen dieses eintägigen Workshops vermitteln wir zentrale Aspekte der modernen statistischen Datenanalyse. Der Fokus liegt auf Advanced Data Analytics, also der Anwendung erfolgreicher Machine-Learning-Verfahren zum Einsatz bei der Identifzierung „ähnlicher“ Datensätze und daraus abgeleiteten Klassifizierungen. Wir geben einen Überblick über innovative Methoden in der modernen Datenanalyse und stellen die allgemeine Vorgehensweise sowie die relevanten Verfahren zum Unsupervised Machine Learning vor. Alle im Kurs behandelten Modelle werden sorgfältig und vollständig vorgestellt und nicht als bekannt vorausgesetzt. Neben den methodischen Grundlagen und Funktionsweisen werden zu allen Modellen die jeweiligen Eigenheiten im Umgang bei der Modellierung, die konkreten Datenanforderungen sowie Vor- und Nachteile aufgrund der zugrundeliegenden Theorie und der praktischen Erfahrung des Dozenten erläutert.

Data Analytics - Wie Versicherer ihre Daten intelligent nutzen können - Basiskurs

Die Digitalisierung hat inzwischen die Versicherungsbranche erreicht. Sowohl durch verbesserte Services für Kunden (z.B. im Internet) als auch durch optimierte Prozesse im Unternehmen entstehen sehr große Datenmengen (vgl. laufende Big Data Diskussion). Dabei ist zu beobachten, dass oftmals viele Informationen aus den Daten ungenutzt bleiben. Gezielt Informationen aus verfügbaren Daten zu gewinnen, wird zukünftig zu einem zentralen Wettbewerbsfaktor für Versicherer. Hier bilden Methoden des Predictive Modeling und insbesondere Machine-Learning-Verfahren die Grundlage, um die Daten intelligent zu nutzen. Im Basiskurs geben wir einen Überblick über innovative Methoden in der modernen Datenanalyse und stellen die allgemeine Vorgehensweise sowie die relevanten Verfahren zur Vorhersagemodellierung vor. Alle im Kurs behandelten Modelle werden sorgfältig und vollständig vorgestellt und nicht als bekannt vorausgesetzt. Neben den methodischen Grundlagen und Funktionsweisen werden zu allen Modellen die jeweiligen Eigenheiten im Umgang bei der Modellierung, die konkreten Datenanforderungen sowie Vor- und Nachteile aufgrund der zugrundeliegenden Theorie und der praktischen Erfahrung der Dozenten erläutert. Anhand einer didaktisch schrittweise durchgeführten Einführung in die Modelle erfolgt dabei auch die Erarbeitung allgemeiner theoretischer und praktischer Grundlagen und Konzepte in Data Analytics (wie z.B. Overfitting) sowie die gezielte Besprechung von notwendiger Datenvorverarbeitung und möglichen Validierungskriterien. Termin:

• 27. - 28. Juli 2023

Data Analytics - Wie Versicherer ihre Daten intelligent nutzen können - Intensivkurs

Die Digitalisierung hat inzwischen die Versicherungsbranche erreicht. Sowohl durch verbesserte Services für Kunden (z.B. im Internet) als auch durch optimierte Prozesse im Unternehmen entstehen sehr große Datenmengen (vgl. laufende Big Data Diskussion). Dabei ist zu beobachten, dass oftmals viele Informationen aus den Daten ungenutzt bleiben. Gezielt Informationen aus verfügbaren Daten zu gewinnen, wird zukünftig zu einem zentralen Wettbewerbsfaktor für Versicherer. Hier bilden Methoden des Predictive Modeling und insbesondere Machine-Learning-Verfahren die Grundlage, um die Daten intelligent zu nutzen. Im Intensivkurs richten wir unseren Fokus auf das sog. Modelltuning für die im Basiskurs vorgestellten Data-Analytics-Verfahren. Nach kurzen Wiederholungen der einzelnen Modelle zur Auffrischung für die Verwendung im weiteren Workshop vermitteln wir, wie in einem einheitlichen automatisierten Prozess eine Fülle an verschiedenen Data-Analytics-Verfahren trainiert, optimiert und miteinander verglichen werden, um ein bestmögliches Vorhersagemodell herzuleiten. Dazu wird aufgezeigt, wie das Modelltraining der verschiedenen Modelle samt der daten-, anwendungs- und modellgetriebenen Datenvorverarbeitung übergreifend in konsistente Validierungsstrategien und -kriterien eingebettet wird. Zentraler Bestandteil des Kurses sind dabei die Bedeutung und Wechselwirkung der Hyperparameter der Modelle sowie die verschiedenen Möglichkeiten und das grundsätzliche performante Vorgehen beim Modelltuning. Termin:

• 27. - 28. November 2023