Was Fanoren von anderen Plattformen unterscheidet
Viele Kurse zu maschinellem Lernen behandeln Finanzdaten als Randthema. Bei Fanoren ist es der Ausgangspunkt.
Die Plattform wurde 2023 gegründet, weil es kaum strukturierte Lernwege gab, die Streaming-Daten, Latenzanforderungen und Modellstabilität gemeinsam behandelten. Unsere Inhalte entstehen in enger Abstimmung mit Praktikern aus Quantitative Finance und Applied ML.
Jeder Lernpfad ist so aufgebaut, dass Konzepte direkt an realen Datenpipelines erprobt werden können — nicht an bereinigten Beispieldatensätzen, sondern an Szenarien, die echten Tick-Daten nahekommen.
Das Team hinter den Inhalten
Fanoren wird von einem kleinen, spezialisierten Team betrieben. Jede Person bringt einen konkreten fachlichen Hintergrund mit — kein allgemeines Lehrpersonal, sondern Personen, die mit den behandelten Systemen gearbeitet haben.
Lena Brückner
Leiterin Lehrinhalt & Forschung
Lena hat mehrere Jahre an der Entwicklung von Online-Lernformaten für quantitative Methoden gearbeitet. Ihr Schwerpunkt liegt auf der didaktischen Aufbereitung komplexer ML-Konzepte für Anwender mit unterschiedlichem Vorkenntnisstand.
Sie verantwortet bei Fanoren die inhaltliche Qualitätssicherung aller Module und die Auswahl der eingesetzten Datensätze und Simulationsszenarien.
Streaming-Datenarchitektur
Lernpfade behandeln Kafka-basierte Pipelines, Fensterfunktionen und die Besonderheiten von Out-of-Order-Events in Finanzdatenströmen.
Modellstabilität unter Drift
Konzepte wie Concept Drift, Modell-Retraining-Zyklen und statistische Tests zur Verteilungsüberwachung sind feste Bestandteile der Kurse.
Interaktive Quizformate
Jedes Modul enthält Aufgaben mit sofortigem Feedback. Die Fragen sind so gestaltet, dass häufige Missverständnisse bei der Modellinterpretation gezielt aufgedeckt werden.
Wissenschaftliche Grundlagen
Alle Inhalte verweisen auf überprüfbare Quellen. Fanoren betreibt dafür eine eigene Übersichtsseite mit kommentierten Fachpublikationen.
Ich hatte vor dem Kurs bereits Grundkenntnisse in Python und scikit-learn. Was mir gefehlt hat, war das Verständnis dafür, warum Modelle, die auf historischen Daten gut funktionieren, in Echtzeit-Szenarien scheitern. Das wurde hier klar erklärt.
— Teilnehmer, Modul „Online-Learning mit River"
