Wiele zdarzeń ważnych zdarzeń gospodarczych występuje rzadko: bankructwa przedsiębiorstw, niespłacanie zobowiązań, podejrzane transakcje czy występowanie kryzysów finansowych. Rzadkość tych zdarzeń stwarza duże wyzwania przed osobami zajmującymi się modelowaniem i ich predykcją: bardzo często stosowanie standardowych metod dostarcza złe wnioski.

Uczestnicy szkolenia dowiedzą się: jak wykorzystać metody machine learning w celu poprawienia trafności predykcji i jak mierzyć trafność w przypadku obserwacji rzadkich. Uczestnicy nauczą się sposobów radzenia sobie z obserwacjami rzadkimi za pomocą podpróbkowania i nadpróbkowania. W trakcie szkolenia uczestnicy będą poproszeni o zastosowanie zdobytej wiedzy i rozwiązanie praktycznych problemów. Warsztaty prowadzone będą w programie Python ale uczestnicy szkolenia wcześniej otrzymają potrzebne dane i wskazówki od instruktora.

Uczestnicy:

pracownicy departamentów ryzyka, zarządzania płynnością, AML, marketingu; analitycy, eksperci oraz osoby, które podejmują decyzje na podstawie obserwacji rzadkich (bankructwa, niespłacalności kredytów, fraudy, skuteczność kampanii marketingowych, rezygnacje z produktów/usług, przedwczesne zerwanie depozytów, nadpłaty kredytów itd.)

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.