Ensemble-Strategie für Betrugserkennung in einem Frankfurter Fintech
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst einen anonymisierten Datensatz mit 800.000 historischen Rechnungstransaktionen plus 4.200 bestätigten Betrugsfällen über 18 Monate. Implementiere drei Basis-Lerner (XGBoost, ein zweischichtiges Multi-Layer Perceptron, einen Regel-Klassifikator aus 25 vordefinierten Compliance-Regeln) und kombiniere sie per Stacking mit logistischer Regression als Meta-Learner. Bewerte mit Cost-Sensitive-Metriken (verhinderter Betrugswert minus Prüfaufwand) und vergleiche gegen jeden Basis-Lerner einzeln. Liefere ein Compliance-Memo mit Schwellenwert-Empfehlung pro Kundensegment.
Das Briefing
Was Du tust und was Du zeigst.
Entwirf und bewerte eine Ensemble-Betrugserkennung, die unter realistischem Prüfbudget den höchsten kostenadjustierten Nutzen liefert.
Earning criteria — what you'll demonstrate
- Ensemble-Methoden (Stacking, Voting) konzeptionell verstehen und sauber implementieren
- Out-of-Fold-Vorhersagen für leakagefreies Stacking erzeugen
- Kosten-sensitives Lernen und Schwellenwert-Optimierung anwenden
- Klassifikator-Entscheidungen gegenüber Compliance-Stakeholdern erklären
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
Ein kosten-sensitives Ensemble unter realen Budgetbeschränkungen zu bauen und mit Stakeholdern abzustimmen ist genau die tägliche Arbeit eines Data Scientists in Fintech-Risk-Teams.
Dieses Projekt schärft
- ensemble-methods
- cost-sensitive-learning
- model-evaluation
Machine Learning Engineer
Stacking-Pipelines leakagefrei zu implementieren und mit klar dokumentierten Schwellenwerten zu produktionsreif zu machen ist Kerngebiet von ML Engineers.
Dieses Projekt schärft
- stacking
- gradient-boosting
- scikit-learn
Applied AI Scientist
Methoden-Auswahl unter Kostendruck zu treffen und schriftlich gegenüber Compliance zu verteidigen ist tägliche Praxis angewandter KI-Wissenschaftler in regulierten Branchen.
Dieses Projekt schärft
- ensemble-methods
- cost-sensitive-learning
- scikit-learn
Noch eine Sache