Im Rahmen dieser Arbeit zum Thema Big Data Analytics werden verschiedene Anwendungsbereiche des Machine Learnings aufgezeigt. Beginnend mit einer kurzen Darlegung der wesentlichen Konzepte von Big Data und des MachineLearnings werden anschließend Applikationen dessen in den Bereichen Handelsstrategien,
Kreditscoring sowie Betrugserkennung vorgestellt. Außerdem erfolgt eine Anwendung der logistischen Regression sowie eines Entscheidungsbaums um ein binäres Model zur Klassifikation betrügerischer Daten zu konstruieren. Es konnte festgestellt werden, dass bei großen Datenmengen Machine Learning Methoden zur Analyse derer essentiell sind und großen Nutzen hinsichtlich der Erkennung von Mustern in den Daten stiften.
Inhaltsverzeichnis
- 1 Einleitung
- 2 Big Data Analytics und Machine Learning
- 2.1 Funktionsweise der Big Data Analytics
- 2.2 Machine Learning - Methoden und Funktion
- 2.2.1 Supervised Learning
- 2.2.2 Unsupervised Learning
- 2.2.3 Dimensionalitätsreduktion
- 2.2.4 Reinforcement Learning
- 2.2.5 Deep Learning
- 2.3 Anwendungsgebiete im Bereich Finance
- 2.3.1 Handelsstrategien
- 2.3.2 Kreditscoring
- 2.3.3 Betrugserkennung
- 2.3.4 Machine Learning in der praktischen Anwendung
- 3 Empirische Anwendung von Machine Learning zur Betrugserkennung
- 3.1 Datensatz
- 3.2 Vorgehensweise
- 3.3 Ergebnisse und Interpretation
- 4 Schluss
Zielsetzung und Themenschwerpunkte
Die vorliegende Arbeit befasst sich mit dem Einsatz von Big Data Analytics und Machine Learning im Finanzbereich. Ziel ist es, die Funktionsweise dieser Konzepte zu erläutern und deren Anwendungen in den Bereichen Handelsstrategien, Kreditscoring und Betrugserkennung zu beleuchten. Darüber hinaus wird eine empirische Anwendung des Machine Learnings zur Betrugserkennung vorgestellt.
- Big Data Analytics und Machine Learning in der Praxis
- Anwendungen von Machine Learning im Finanzbereich
- Handelsstrategien, Kreditscoring und Betrugserkennung
- Empirische Anwendung von Machine Learning zur Betrugserkennung
- Klassifikationsmodelle Entscheidungsbaum und logistische Regression
Zusammenfassung der Kapitel
Die Einleitung gibt einen Überblick über die Relevanz von künstlicher Intelligenz (KI) und Machine Learning (ML) in der heutigen Zeit. Sie stellt den Zusammenhang zwischen Big Data und ML heraus und erläutert die Bedeutung von Data Mining für die Analyse großer Datenmengen. Im zweiten Kapitel werden die Funktionsweise der Big Data Analytics und verschiedene Methoden des ML, wie Supervised Learning, Unsupervised Learning, Dimensionalitätsreduktion, Reinforcement Learning und Deep Learning, vorgestellt. Anschließend werden Anwendungsgebiete von ML im Finanzbereich, wie Handelsstrategien, Kreditscoring und Betrugserkennung, näher beleuchtet. Im dritten Kapitel wird die empirische Anwendung von ML zur Betrugserkennung mit Hilfe des Statistikprogramms R anhand der Klassifikationsmodelle Entscheidungsbaum und logistische Regression vorgestellt. Die Arbeit schließt mit einer Zusammenfassung der Ergebnisse.
Schlüsselwörter
Big Data Analytics, Machine Learning, Finance, Handelsstrategien, Kreditscoring, Betrugserkennung, Entscheidungsbaum, Logistische Regression, Data Mining, Künstliche Intelligenz, Data Science.
- Arbeit zitieren
- Miriam Wastl (Autor:in), 2018, Big Data Analytics and Machine Learning in Finance, München, GRIN Verlag, https://www.grin.com/document/491316
