Fintech'te Yapay Zeka: İleri Uygulamalar Eğitimi

Eğitim Hakkında

Bu eğitim, bankacılık, ödeme, yatırım ve sigorta alanlarında yapay zeka çözümleri geliştiren teknik ekiplerin ileri fintech uygulamalarını regülasyonu gözeterek hayata geçirmesi için tasarlanmış bir programdır. Katılımcılar alternatif veriyle kredi riski, açıklanabilirlik, finansal zaman serileri, portföy optimizasyonu, finansal NLP, LLM ajanları ve MLOps konularını Python ile uygular.

Neden Bu Eğitim?

Finansa Özgü Derinlik. Kalibrasyon, zamana dayalı doğrulama ve backtest tuzakları gibi finans verisine özgü sorunları ele alın.

Regülasyonla Uyumlu. BDDK, SPK, MASAK, KVKK ve EU AI Act beklentilerini modelleme ve dokümantasyon süreçlerine yerleştirin.

Klasik ML'den Ajanlara. Skor kartlarından gradyan artırmaya, finansal NLP'den LLM ajanlarına kadar geniş bir teknik yelpazeyi uygulayın.

“Finansta yapay zekanın gerçek değeri, isabetli tahmini açıklanabilir, adil ve denetlenebilir bir karara dönüştürdüğünüzde ortaya çıkar.”

Ön Koşullar

Python ve Veri Bilimi — pandas, NumPy, scikit-learn ve Jupyter ile model geliştirme deneyimine sahip olmak.
İstatistik ve ML — Regresyon, sınıflandırma, çapraz doğrulama ve model değerlendirme kavramlarına hakimiyet.
Finans Bilgisi — Kredi süreci, temel finansal tablolar, getiri ve risk kavramlarına genel aşinalık.
Çalışma Ortamı — Python 3, Jupyter ve paket kurulum yetkisi olan bir bilgisayar veya bulut not defteri erişimi.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiFintech'te yapay zeka uygulama ve regülasyon haritasını kavramak, finansal veriyi zamana duyarlı hazırlamak ve alternatif veriyle kalibre edilmiş kredi riski modelleri kurmak.

Modül 1

Fintech'te Yapay Zeka ve Regülasyon Haritası

Kullanım alanları: kredi, ödeme, yatırım, sigorta, uyum
Türkiye'de BDDK, SPK, TCMB ve MASAK düzenleme çerçevesi
EU AI Act'te kredi değerliliği skorlamasının yüksek riski
AB DORA ve dijital operasyonel dayanıklılık beklentileri
Model riski yönetimi: SR 11-7 yaklaşımı ve ilkeleri
Vaka: Dijital kredi ürününde regülasyon etki analizi

Modül 2

Finansal Veri Mühendisliği

İşlem, hesap, kart ve müşteri verisinin yapısı
Açık bankacılık API'leri ve hesap bilgisi hizmetleri
Zamana duyarlı (point-in-time) veri ve sızıntı önleme
Polars ve DuckDB ile büyük işlem verisinin işlenmesi
Veri kalitesi kontrolleri: Great Expectations örneği
Laboratuvar: İşlem verisinden müşteri zaman çizelgesi

Modül 3

Alternatif Veri ile Özellik Mühendisliği

Nakit akışı, gelir düzenliliği ve harcama kategorileri
Kanal, cihaz ve dijital davranış sinyalleri
Alternatif verinin KVKK ve açık rıza boyutu
WoE ve bilgi değeri (IV) ile değişken analizi
Özellik kararlılığı ve popülasyon stabilite endeksi (PSI)
Laboratuvar: Kredi geçmişi sınırlı müşteri için özellik seti

Modül 4

Temerrüt Olasılığı Modelleri

Lojistik regresyon skor kartı ve puan ölçekleme
LightGBM ve CatBoost ile temerrüt olasılığı (PD) modeli
Monotonik kısıtlar ve iş mantığıyla uyumlu modeller
Olasılık kalibrasyonu: izotonik ve Platt yöntemleri
Reddedilen başvuru çıkarımı (reject inference) sorunu
Laboratuvar: Skor kartı ve LightGBM karşılaştırması

Günün hedefiRisk modellerinin kararlarını açıklamak, adillik ve model riskini sistematik değerlendirmek, ödeme anomalilerini analiz etmek ve gizliliği koruyan yöntemleri uygulamak.

Modül 1

Açıklanabilirlik ve Neden Kodları

SHAP değerleri: küresel ve bireysel açıklamalar
Ret gerekçesi (neden kodu) üretimi ve müşteri iletişimi
Karşı olgusal açıklamalar ile iyileştirme önerileri
Kısmi bağımlılık ve ALE grafikleriyle model davranışı
Açıklamaların kararlılığı ve yanıltıcı yorum riskleri
Laboratuvar: PD modeli için neden kodu raporu

Modül 2

Adillik ve Model Riski Yönetimi

Kredi kararlarında dolaylı ayrımcılık ve vekil değişkenler
Fairlearn ile grup adilliği metrikleri ve azaltma
Bağımsız model validasyonu: kavramsal ve sayısal testler
Meydan okuyucu (challenger) modeller ve kıyaslama
Model envanteri, katmanlama ve dokümantasyon standardı
Tatbikat: Validasyon ekibi gözüyle model incelemesi

Modül 3

Ödeme ve İşlem Anomalisi Analitiği

Isolation Forest ve otokodlayıcılarla anomali tespiti
Graf analitiği ile hesap ve para katırı ağları
Graf sinir ağları (GNN) ile ilişkisel risk skorlaması
MASAK şüpheli işlem bildirimi süreçleriyle uyum
Alarm önceliklendirme ve analist geri bildirim döngüsü
Laboratuvar: Sentetik ödeme verisinde anomali skorlama

Modül 4

Sentetik Veri ve Gizliliği Koruyan ML

Sentetik veri üretimi: SDV kütüphanesi ve CTGAN
Sentetik verinin kullanışlılık ve gizlilik değerlendirmesi
Diferansiyel gizlilik temel kavramları
Flower ile kurumlar arası federe öğrenme (federated)
Anonimleştirme ve takma adlandırmanın KVKK'daki yeri
Laboratuvar: Kredi verisinden sentetik veri seti üretimi

Günün hedefiFinansal zaman serilerinde sızıntısız doğrulama ve gerçekçi backtest yapmak, portföy optimizasyonunu uygulamak ve finansal metinlerden yatırım sinyali çıkarmak.

Modül 1

Finansal Zaman Serileri ve Doğrulama

Getiri, volatilite ve durağanlık özellikleri
Teknik ve temel göstergelerden özellik üretimi
İleri kaydırmalı (walk-forward) doğrulama tasarımı
Arındırılmış (purged) çapraz doğrulama ve embargo
Gradyan artırma ile yön ve volatilite tahmini
Laboratuvar: BIST hisse verisiyle sızıntısız doğrulama

Modül 2

Algoritmik Strateji ve Backtest

Backtest tuzakları: ileriye bakma ve hayatta kalan yanlılığı
İşlem maliyeti, kayma (slippage) ve likidite etkisi
vectorbt ile vektörize backtest ve performans metrikleri
Sharpe, Sortino ve maksimum düşüş analizi
Aşırı uyum riski ve çoklu test düzeltmesi
Laboratuvar: ML sinyaline dayalı stratejinin backtesti

Modül 3

Portföy Optimizasyonu ve Robo-Danışmanlık

Ortalama-varyans, Black-Litterman ve HRP yaklaşımları
PyPortfolioOpt ile kısıtlı portföy optimizasyonu
Pekiştirmeli öğrenmeyle portföy yönetimi ve sınırları
Risk profilleme ve uygunluk (suitability) testleri
SPK yatırım danışmanlığı düzenlemeleri ve sorumluluk
Laboratuvar: Risk profiline göre model portföy üretimi

Modül 4

Finansal Metin Madenciliği

KAP bildirimleri, haberler ve analist raporları
FinBERT ve Türkçe BERT modelleriyle duygu analizi
Olay çalışması: bildirim sonrası anormal getiri analizi
Finansal tablolardan LLM ile yapılandırılmış veri çıkarımı
Metin sinyallerini sayısal modellerle birleştirme
Laboratuvar: KAP bildirimlerinden duygu skoru üretimi

Günün hedefiFinansal süreçlerde LLM ve ajan tabanlı çözümleri güvenle tasarlamak, modelleri regüle ortamda üretime alıp izlemek ve uçtan uca projeyle öğrenilenleri birleştirmek.

Modül 1

Finansta Büyük Dil Modelleri ve RAG

Mevzuat ve iç prosedürler için RAG soru-cevap sistemi
Kaynak gösterimi, sürüm takibi ve yanıt doğrulama
Kurum içi açık modeller ile bulut API'lerinin seçimi
Kişisel veri maskeleme ve istem enjeksiyonu korumaları
Ragas ile yanıt doğruluğu ve bağlam uygunluğu ölçümü
Laboratuvar: Bankacılık mevzuatı için RAG asistanı

Modül 2

Finansal Operasyonlarda YZ Ajanları

LangGraph ile durum tabanlı çok adımlı ajan akışları
KYC belge kontrolü ve müşteri kabul ajanı tasarımı
Kredi başvurusu ön inceleme ve eksik belge takibi
İnsan onayı (human-in-the-loop) ve yetki sınırları
Ajan eylemlerinin denetim izi ve geri alınabilirliği
Laboratuvar: KYC belge doğrulama ajanı prototipi

Modül 3

Regüle Ortamda MLOps ve İzleme

MLflow ile model sürümleme, onay ve soy ağacı
Gerçek zamanlı ve toplu skorlama mimarisi tasarımı
PSI, CSI ve performans metrikleriyle model izleme
Bulut dış kaynak kullanımı ve BDDK bilgi sistemleri beklentisi
Denetim izi, yeniden üretilebilirlik ve değişiklik yönetimi
Demo: Kredi modeli için izleme ve alarm panosu

Modül 4

Uçtan Uca Fintech Projesi ve Kapanış

Grup projesi: veri, model, açıklama, ajan ve izleme
Proje sunumları ve validasyon ekibi bakışıyla inceleme
Kurumsal fintech YZ yol haritası ve önceliklendirme
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar kodlarının teslimi
İleri öğrenme kaynakları ve kapanış

Eğitim Kazanımları

Finansal Veri — Açık bankacılık ve işlem verisini zamana duyarlı, sızıntısız ve kaliteli biçimde modellemeye hazırlayabileceksiniz.
Kredi Riski — Alternatif veriyle kalibre edilmiş, monotonik kısıtlı ve iş mantığıyla uyumlu temerrüt modelleri kurabileceksiniz.
Açıklanabilirlik — SHAP ve karşı olgusal yöntemlerle neden kodları üretip model kararlarını denetçilere açıklayabileceksiniz.
Model Riski — Adillik analizi, bağımsız validasyon ve meydan okuyucu modellerle model riskini sistematik yönetebileceksiniz.
Piyasa Modelleri — Arındırılmış çapraz doğrulama ve gerçekçi maliyetli backtest ile güvenilir yatırım stratejileri sınayabileceksiniz.
Finansal NLP — KAP bildirimleri ve haberlerden duygu ve olay sinyalleri çıkarıp sayısal modellerle birleştirebileceksiniz.
LLM Ajanları — Mevzuat RAG'i ve KYC ajanları gibi insan onaylı, denetim izli LLM çözümleri tasarlayabileceksiniz.
Regüle MLOps — Modelleri sürümleyip izleyerek BDDK ve KVKK beklentilerine uygun, denetlenebilir biçimde işleteceksiniz.

Kimler İçin Uygundur?

Banka
ödeme kuruluşu
aracı kurum ve fintech şirketlerindeki veri bilimciler
kantitatif analistler
ML mühendisleri
risk modelleme ve model validasyon ekipleri.

Sıkça Sorulan Sorular

Finansal Teknolojilerde Yapay Zeka: İleri Uygulamalar Eğitimi kimler için uygundur?

Program; banka, ödeme kuruluşu, aracı kurum, sigorta ve fintech şirketlerindeki veri bilimciler, kantitatif analistler, ML mühendisleri, risk modelleme ve model validasyon ekipleri için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 4 tam gün ve 16 modülden oluşur. Sırasıyla kredi riski modelleme, açıklanabilirlik ve model riski, piyasa modelleri ve finansal NLP, son olarak LLM ajanları, regüle MLOps ve uçtan uca proje işlenir.

Katılım için hangi ön bilgiler gereklidir?

Python ve scikit-learn ile model geliştirme deneyimi, istatistik ve makine öğrenmesi temelleri ile kredi, getiri ve risk gibi temel finans kavramlarına aşinalık beklenir.

Eğitimde Türkiye'deki regülasyonlar da ele alınıyor mu?

Evet. BDDK, SPK, TCMB, MASAK ve KVKK düzenlemelerinin yapay zeka modellerine etkileri AB Yapay Zeka Yasası ve DORA ile birlikte işlenir. Eğitim hukuki danışmanlık yerine geçmez; uyum için teknik ve süreç pratiklerine odaklanır.

Laboratuvarlarda hangi veri ve araçlar kullanılıyor?

Açık ve sentetik finansal veri setleriyle pandas, Polars, LightGBM, CatBoost, SHAP, Fairlearn, SDV, vectorbt, PyPortfolioOpt, Hugging Face modelleri, LangGraph ve MLflow kullanılır. Katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

FİNANSAL TEKNOLOJİLERDE YAPAY ZEKA: İLERİ UYGULAMALAR EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Fintech'te Yapay Zeka ve Regülasyon Haritası

Finansal Veri Mühendisliği

Alternatif Veri ile Özellik Mühendisliği

Temerrüt Olasılığı Modelleri

Açıklanabilirlik ve Neden Kodları

Adillik ve Model Riski Yönetimi

Ödeme ve İşlem Anomalisi Analitiği

Sentetik Veri ve Gizliliği Koruyan ML

Finansal Zaman Serileri ve Doğrulama

Algoritmik Strateji ve Backtest

Portföy Optimizasyonu ve Robo-Danışmanlık

Finansal Metin Madenciliği

Finansta Büyük Dil Modelleri ve RAG

Finansal Operasyonlarda YZ Ajanları

Regüle Ortamda MLOps ve İzleme

Uçtan Uca Fintech Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi