Wat dit programma u bijbrengt
Risicobeheer in banken en verzekeraars steunt steeds vaker op modellen die patronen herkennen in miljoenen transacties. Klassieke statistische methoden schieten tekort wanneer de data niet-lineair is of wanneer er sprake is van zeldzame gebeurtenissen, zoals frauduleuze betalingen. Neurale netwerken lossen dit op een andere manier op dan logistische regressie of beslisbomen.
Concrete toepassingen in uw dagelijkse werk
Dit programma werkt met echte datasets: leningen, verzekeringspolissen, transactiehistorieken. U bouwt modellen die kredietscore-aanvragen beoordelen, verdachte transacties markeren en portefeuillerisico simuleren. Geen abstracte oefeningen, maar problemen die herkenbaar zijn voor wie in de sector werkt.
Welke technieken komen aan bod
- Feedforward netwerken voor kredietscoring
- LSTM-modellen voor tijdreeksanalyse van marktdata
- Autoencoders voor anomaliedetectie in transacties
- Interpreteerbare AI met SHAP-waarden voor regelgevende rapportages
Een bijzondere aandacht gaat naar uitlegbaarheid. Financiële instellingen vallen onder regelgeving zoals de EBA-richtlijnen en GDPR, die vereisen dat beslissingen verklaarbaar zijn. U leert hoe u een neuraal netwerk zodanig documenteert dat het een audit doorstaat.
Docente Lieselotte Baert werkte acht jaar als quant bij een Belgische grootbank en brengt concrete casuïstiek mee uit de dagelijkse praktijk van kredietcomités.
Programmaoverzicht
- Module 1 — Fundament: Architectuur van diepe netwerken, activatiefuncties, backpropagation. Implementatie in Python met TensorFlow en Keras.
- Module 2 — Kredietrisico: Dataset exploratie, feature engineering op financiële variabelen, training en validatie van een scoremodel.
- Module 3 — Fraudedetectie: Omgaan met ongebalanceerde klassen, SMOTE, autoencoders en threshold-optimalisatie.
- Module 4 — Tijdreeksen: LSTM en GRU-netwerken op marktdata, voorspellen van volatiliteit.
- Module 5 — Regelgeving en uitlegbaarheid: SHAP, LIME, modelkaarten, documentatie voor interne audit.
- Module 6 — Afsluitend project: Zelfstandig uitwerken van een risicoprobleem naar keuze, presentatie en peer review.
Studietijd: circa 6 weken, 8 uur per week. Live sessies op dinsdagavond en zaterdagochtend.