Übersicht
Worum es bei diesem Projekt geht.
Du erhaeltst einen anonymisierten Datensatz mit Transaktionen von rund 50.000 Karten ueber 9 Monate, inklusive eines markierten Betrugslabels fuer rund 0,3 Prozent der Transaktionen. Pro Karte: lerne ein HMM mit 3-5 latenten Zustaenden ueber Beobachtungs-Features (Betragsklasse, Haendlerkategorie, Tageszeit, Distanz zum letzten Ort). Trainiere ueber den Baum-Welch-Algorithmus auf Monat 1-6 und bewerte auf Monat 7-9. Liefere eine Pipeline, die fuer eine neue Transaktion die geglaettete Wahrscheinlichkeit berechnet und ab einer pro Karte kalibrierten Schwelle eine Warnung auswirft. Erfolgskriterium: Recall mindestens 0,60 bei einer Falschalarm-Rate unter 1 Prozent — sonst ueberlastet das Team die Anrufe an Kundinnen.
Das Briefing
Was Du tust und was Du zeigst.
Trainiere pro Karteninhaberin ein HMM und nutze die geglaettete Likelihood einer neuen Transaktion als kalibriertes Betrugssignal.
Earning criteria — what you'll demonstrate
- Hidden Markov Modelle mit Baum-Welch (EM fuer HMMs) trainieren
- Forward- und Forward-Backward-Algorithmus auf realen Sequenzdaten anwenden
- Anomalie-Erkennung ueber sequenzielle Likelihoods statt unabhaengiger Scores realisieren
- Modellausgaben gegen ein operatives Budget (Falschalarme) kalibrieren
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 RollenMachine Learning Engineer
Ein HMM mit Baum-Welch zu trainieren, gegen einen Geschaeftsbudget-Constraint zu kalibrieren und als operative Pipeline auszuliefern entspricht der Einstiegsarbeit eines ML-Engineers im Bank- oder Versicherungsumfeld.
Dieses Projekt schärft
- hidden-markov-models
- anomaly-detection
- model-calibration
Data Scientist
Sequenzmodellierung fuer Betrugserkennung mit ehrlicher Kalibrierung gegen Falschalarm-Budgets ist tagtaegliche Data-Science-Arbeit in Fintech.
Dieses Projekt schärft
- sequence-modeling
- anomaly-detection
- model-calibration
Applied AI Scientist
Probabilistische Sequenzmodelle in einem regulierten Umfeld zu validieren und zu dokumentieren ist genau der Schnittpunkt, an dem Applied AI Scientists in Banken arbeiten.
Dieses Projekt schärft
- hidden-markov-models
- baum-welch
- sequence-modeling
Noch eine Sache