Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Wenn du schon einmal eine Kreditkarte oder einen Kredit beantragt hast, weißt du, dass Finanzunternehmen deine Angaben prüfen, bevor sie entscheiden. Das liegt daran, dass dir einen Kredit zu geben erhebliche finanzielle Auswirkungen auf ihr Geschäft haben kann. Aber wie treffen sie diese Entscheidung? In diesem Kurs lernst du, Daten aus Kreditanträgen aufzubereiten. Danach wendest du Machine Learning und Geschäftsregeln an, um Risiken zu senken und die Profitabilität sicherzustellen. Du arbeitest mit zwei Datensätzen, die echte Kreditanträge nachbilden und dabei den Geschäftsnutzen in den Mittelpunkt stellen. Mach mit und lerne den Erwartungswert in der Kreditrisikomodellierung kennen!
Voraussetzungen
Lernprogramm
Kursübersicht
1
Kreditdaten untersuchen und aufbereiten
In diesem ersten Kapitel besprechen wir das Konzept des Kreditrisikos und definieren, wie es berechnet wird. Mit Kreuztabellen und Plots erkunden wir einen realen Datensatz. Bevor wir Machine Learning anwenden, bereiten wir die Daten auf, indem wir Probleme finden und lösen.
- Kreditrisiko verstehen50 XP
- Untersuche die Kreditdaten100 XP
- Kreuztabellen und Pivot-Tabellen100 XP
- Ausreißer in Kreditdaten50 XP
- Ausreißer mit Kreuztabellen finden100 XP
- Ausreißer bei Krediten visualisieren100 XP
- Risiko durch fehlende Daten in Kreditausdaten50 XP
- Fehlende Kreditdaten ersetzen100 XP
- Fehlende Daten entfernen100 XP
- Intuition bei fehlenden Daten50 XP
2
Logistische Regression für Zahlungsausfälle
Mit vollständig aufbereiteten Kreditdaten besprechen wir das Modell der logistischen Regression, einen Standard in der Risikomodellierung. Wir verstehen die Bausteine dieses Modells und wie wir seine Leistung bewerten. Sobald wir Vorhersagen erstellt haben, untersuchen wir die finanziellen Auswirkungen des Einsatzes dieses Modells.
3
Gradient Boosted Trees mit XGBoost
Entscheidungsbäume sind ein weiterer Standard in der Kreditrisikomodellierung. Wir gehen über Entscheidungsbäume hinaus und verwenden das angesagte XGBoost-Paket in Python, um Gradient Boosted Trees zu erstellen. Nach der Entwicklung anspruchsvoller Modelle führen wir Stresstests ihrer Leistung durch und diskutieren die Spaltenauswahl bei unausgewogenen Daten.
4
Modellbewertung und Umsetzung
Nachdem wir zwei leistungsstarke Machine-Learning-Modelle entwickelt und getestet haben, vergleichen wir sie anhand zentraler Leistungskennzahlen. Mit fortgeschrittenen Modellauswahltechniken speziell für Finanzmodellierung wählen wir ein Modell aus. Mit diesem Modell entwickeln wir eine Geschäftsstrategie, schätzen den Portfoliowert und minimieren den erwarteten Verlust.
Kreditrisikomodellierung in Python
Kurs
abgeschlossen
