Namen predmeta je usposobiti študente za razumevanje, implementacijo in kritično vrednotenje metod strojnega učenja v kontekstu financ in zavarovalništva. Poudarek je na povezovanju teoretičnih osnov z empiričnim modeliranjem in reševanjem praktičnih problemov na področju napovedovanja, ocenjevanja tveganj in optimizacije premoženja.

Cilji predmeta so zastavljeni tako, da bodo študenti:
- Pridobili temeljno razumevanje konceptov strojnega učenja (nadzorovano in nenadzorovano učenje, prenaučenost, validacija ipd.),
- znali izbrati in utemeljiti ustrezen model glede na naravo podatkov in ciljev analize,
- uporabljali orodja strojnega učenja pri reševanju konkretnih finančnih problemov (napovedovanje donosnosti, ocenjevanje tveganj, kreditna ocena),
- razvili praktične veščine za delo z dejanskimi podatki, implementacijo modelov v programskih okoljih (npr. Python, R) ter vrednotenje in interpretacijo rezultatov.

Predmet bo študentom omogočil razvoj naslednjih kompetenc:
- Razložiti osnovne metode strojnega učenja ter njihove prednosti in omejitve v finančnem kontekstu,
- uporabiti linearne in nelinearne modele za regresijo, razvrščanje in segmentacijo podatkov,
- izvesti validacijo modelov in kritično oceniti njihovo napovedno moč (npr. prek metrik, kot so AUC, RMSE, idr.),
- integrirati metode, kot so regularizacija, drevesni modeli, metod glavnih komponent in algoritmi za razvrščanje v skupine, v kvantitativne finančne analize,
- oblikovati in analizirati modele za napovedovanje donosnosti, volatilnosti, kreditnega tveganja ter za optimizacijo premoženja v razmerah negotovosti,
- razumeti pomen interpretabilnosti in robustnosti modelov pri sprejemanju finančnih odločitev,
- povezovati znanje statistike, financ in programiranja pri reševanju kompleksnih aktuarskih in finančnih problemov.

- Uvod v strojno učenje: nadzorovano vs. nenadzorovano učenje, napovedno vs. kavzalno sklepanje, izzivi v financah.
- Linearna regresija: ocenjevanje modela, interpretacija in diagnostične analize.
- Razdelitev na učno in testno množico, navzkrižno preverjanje in kompromis pristranskost-varianca.
- Metode klasifikacije: logistična regresija, linearna diskriminantna analiza ter merila učinkovitosti (točnost, natančnost, priklic, AUC).
- Izbor modela: izbor najboljšega podmnožičnega modela, kriterija AIC/BIC, navzkrižno preverjanje.
- Metode regularizacije: ridge in lasso regresija (z uporabo pri konstrukciji portfeljev).
- Metode ponovnega vzorčenja: navzkrižno preverjanje, bootstrap in analiza s premikajočim oknom za časovne vrste.
- Metode temelječe na drevesih: odločitvena drevesa, naključni gozdovi in metoda boosting.
- Tehnike razvrščanja v skupine: K-sredin, hierarhično razvrščanje v skupine, analiza glavnih komponent (faktorski modeli, razgradnja tveganj).
- Metoda podpornih vektorjev (SVM): osnovni koncepti in uporaba pri klasifikaciji.
- Nevronske mreže (osnove): arhitektura feedforward, prenaučenost in regularizacija.
- Interpretabilnost in robustnost modelov: pomembnost značilnosti, SHAP vrednosti in razložljivost v finančnem kontekstu.
- Uporabe v financah: napovedovanje donosnosti, napovedovanje volatilnosti, ocenjevanje kreditnega tveganja in optimizacija premoženja.