Modul 01: Einführung in neuronale Netze
- Grundlagen neuronaler Netze: Neuronen, Schichten, Aktivierungsfunktionen
- Unterschiede zwischen klassischen ML-Verfahren und Deep Learning
- Überblick über typische Anwendungsgebiete im Finanzwesen
- Übung: Aufbau eines einfachen neuronalen Netzes mit keras

Modul 02: Datenvorbereitung im Finanzkontext
- Umgang mit Zeitreihen- und Transaktionsdaten
- Feature Engineering und Normalisierung
- Umgang mit Imbalancen und fehlenden Werten
- Übung: Vorbereitung eines Beispiel-Datensatzes aus dem Kreditwesen

Modul 03: Klassifikation mit neuronalen Netzen
- Architektur für binäre Klassifikation (z. B. Kreditausfallrisiko)
- Verlustfunktionen, Optimizer und Metriken
- Overfitting vermeiden: Dropout, Early Stopping
- Übung: Kreditausfall vorhersagen mit Python

Modul 04: Zeitreihenprognose mit LSTM-Netzen
- Grundlagen rekurrenter Netze (RNN, LSTM, GRU)
- Modellierung von Kontobewegungen oder Börsenkursen
- Übung: Forecast von Aktienkursen mit LSTM

Modul 05: Anomalieerkennung und Fraud Detection
- Outlier Detection mit Autoencodern
- Beispiele aus der Betrugsbekämpfung im Zahlungsverkehr
- Übung: Erkennung von verdächtigen Transaktionen

Modul 06: Von der Idee zum Projekt - Ausblick & Best Practices
- Modellbewertung und Erklärbarkeit im regulierten Umfeld
- Deployment-Strategien im Unternehmen
- Diskussion: Potenziale und Grenzen im Bankensektor
- Übung: Ideenentwicklung für eigene Anwendungsfälle