Korzystanie z zaawansowanych metod machine learning tworzy szanse i zagrożenia. Jednym z zagrożeń jest brak zrozumienia i interpretowalności modelu i jego wyników, a jest to warunek konieczny, by móc korzystać z modelu zgodnie z oczekiwaniami regulatorów. W ramach szkolenia uczestnicy dowiedzą się o trendach regulacyjnych związanych z technikami interpretacji metod machine learning, zrozumieją intuicję stojąca za technikami interpretacji i jak pomagają one w walidacji modeli.
Wiedza zdobyta na szkoleniu pozwoli na ulepszenie modeli wykorzystywanych w metodzie wewnętrznych ratingów (IRB) tj. modelowania parametrów PD, LGD, EAD. Metody omawiane na szkoleniu znajdą zastosowanie w dowolnych problemach klasyfikacji i regresji spotykanych w obszarze ryzyka kredytowego. Główna część szkolenia dotyczyć będzie zastosowaniu tych technik praktyce w języku Python na prawdziwych danych.

Ekonomista pracujący w zespole scenariuszy na potrzeby testów warunków skrajnych w departamencie zarządzania ryzykiem w Citi oraz adiunkt w Instytucie Nauk Ekonomicznych Polskiej Akademii Nauk. W 2022 uzyskał doktorat z ekonomii na Brown University, gdzie prowadził badania dotyczące stabilności systemu finansowego. Autor kilku publikacji naukowych na temat wczesnego ostrzegania przed napięciami w systemie finansowym i kryzysami bankowymi. Posiada bogate doświadczenie szkoleniowe: prowadził zajęcia w Szkole Głównej Handlowej w Warszawie, Instytucie Nauk Ekonomicznych Polskiej Akademii Nauk oraz wykładał na szkole letniej Brown University. Członek redakcji czasopisma naukowego Ekonomista. Doświadczenie zdobywał m.in. w Narodowym Banku Polskim i w Międzynarodowym Funduszu Walutowym.