Machine Learning verändert grundlegend, wie wir dezentrale Finanzsysteme analysieren und verstehen. Dieser Kurs vermittelt das technische Fundament für die Anwendung moderner Algorithmen auf DeFi-Protokolle. Sie lernen, Muster in On-Chain-Daten zu erkennen, Risikomodelle zu entwickeln und automatisierte Analysen zu implementieren.
Die Komplexität von Smart Contracts und dezentralen Anwendungen erfordert neue analytische Methoden. Wir kombinieren theoretische Grundlagen mit praktischen Implementierungen, die Sie direkt auf reale Protokolle anwenden können.
Sie beginnen mit den mathematischen und statistischen Fundamenten. Linear Algebra, Wahrscheinlichkeitstheorie und Optimierungsverfahren bilden die Basis für alle weiteren Module.
Bevor Sie Algorithmen anwenden, analysieren Sie die Funktionsweise von Lending-Protokollen, automatisierten Market Makern und Yield-Farming-Strategien. Dieses Verständnis ist essentiell für sinnvolle Modellierung.
Sie entwickeln Klassifikations- und Regressionsmodelle zur Vorhersage von Liquiditätsbewegungen und zur Erkennung abnormaler Transaktionsmuster in Smart Contracts.
Clustering-Algorithmen helfen, Wallet-Verhalten zu segmentieren und versteckte Strukturen in Transaktionsnetzwerken aufzudecken.
Sie trainieren Agenten, die optimale Strategien für Liquiditätsbereitstellung und automatisiertes Rebalancing entwickeln, basierend auf historischen und simulierten Daten.
Im finalen Modul integrieren Sie Ihre Modelle in funktionierende Analyse-Pipelines mit Datenerfassung, Feature Engineering und automatisierter Reporting-Infrastruktur.
Wenn ein Algorithmus einen Kreditantrag ablehnt, müssen Sie wissen warum. Dieses Programm zeigt Ihnen, wie moderne ML-Systeme in Banken arbeiten und wie Sie deren Entscheidungen nachvollziehen können.
Sie arbeiten mit konkreten Beispielen aus dem Kreditgeschäft, der Betrugserkennung und dem Risikomanagement. Dabei lernen Sie, welche Faktoren ein Modell beeinflusst haben und wie Sie diese Information an Kunden oder Aufsichtsbehörden weitergeben.
Der Fokus liegt auf Werkzeugen wie SHAP und LIME, die Modellerklärungen in verständliche Grafiken übersetzen. Sie analysieren 12 reale Bankszenarien und erstellen eigene Erklärungsberichte.
Die Teilnehmerin Katja Meissner aus dem Compliance-Bereich einer Regionalbank nutzt die Methoden heute täglich: Sie kann Aufsichtsbehörden innerhalb von 30 Minuten dokumentieren, warum bestimmte Transaktionen als verdächtig eingestuft wurden.
Kreditentscheidungen transparent machen, Betrugserkennungssysteme prüfen, Risikomodelle dokumentieren, gesetzliche Anforderungen erfüllen
1.890 EUR
Einmalzahlung, inklusive Zugang zu allen Materialien und Fallstudien
