Change-Point-Detektion in Transaktions-Daten einer Frankfurter Bank
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst einen anonymisierten Datensatz von rund 12.000 Geschäfts-Kund:innen mit 24 Monaten täglicher Transaktions-Aggregat-Statistik (Anzahl, Volumen, Durchschnitt, Standardabweichung pro Tag). Implementiere mindestens zwei Change-Point-Methoden (z. B. PELT und Bayesian Online Change-Point Detection) und reportiere Recall@Top-200-Alerts pro Woche gegen ein Compliance-Label (1.200 bekannte Verhaltens-Wechsel der letzten 6 Monate). Liefere die Pipeline, eine Wochen-Alert-Liste, eine Auswertungstabelle und ein 3-seitiges Memo für das Compliance-Team mit operativen Trade-offs.
Das Briefing
Was Du tust und was Du zeigst.
Baue eine Change-Point-Detektions-Pipeline auf Transaktions-Zeitreihen und liefere priorisierte Wochen-Alerts an das Compliance-Team.
Earning criteria — what you'll demonstrate
- Change-Point-Methoden auf realen Geschäfts-Zeitreihen anwenden
- Detektions-Methoden gegen schwach-gelabelte Ground Truth evaluieren
- Top-K-Alert-Listen für operative Teams priorisieren
- Operative Trade-offs (Aufwand vs. Detektion) im Memo verteidigen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Scientist
Change-Point-Detektion mit operativ-relevanter Priorisierung ist Tagesarbeit für Data Scientists in Bank- und Compliance-Settings.
Dieses Projekt schärft
- time-series
- change-point-detection
- anomaly-detection
Maschinelles-Lernen-Ingenieur:in
Eine wöchentliche Alert-Pipeline mit Streamlit-Übergabe an Compliance ist MLE-Tagesarbeit in Risk-Tech-Stacks.
Dieses Projekt schärft
- python
- evaluation
- fraud-analytics
Angewandte:r KI-Wissenschaftler:in
Operative Trade-offs zwischen Review-Aufwand und Detektion zu verteidigen ist Brückenarbeit zwischen ML und Compliance-Operations.
Dieses Projekt schärft
- fraud-analytics
- evaluation
- change-point-detection
Noch eine Sache