Saltar al contenido principal
InicioPython

Modelado del riesgo crediticio en Python

Aprende a preparar datos para solicitudes de crédito y aplicar machine learning y reglas para una mejor seguridad y rentabilidad.

Comienza el curso gratis
4 horas15 vídeos57 ejercicios20.884 aprendicesTrophyDeclaración de cumplimiento

Crea Tu Cuenta Gratuita

GoogleLinkedInFacebook

o

Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.
Group

¿Entrenar a 2 o más personas?

Probar DataCamp for Business

Preferido por estudiantes en miles de empresas


Descripción del curso

Si alguna vez has solicitado una tarjeta de crédito o un préstamo, sabes que las empresas financieras procesan toda tu información antes de tomar una decisión. Esto se debe a que concederte un préstamo puede tener un grave impacto financiero en su negocio. Pero ¿cómo toman esa decisión? En este curso aprenderás a preparar los datos de una solicitud de crédito. Después, aplicarás machine learning y reglas empresariales para reducir el riesgo y garantizar la rentabilidad. Utilizarás dos conjuntos de datos que emulan solicitudes de crédito reales, centrándose en el valor empresarial. Sígueme en este curso y aprende el valor que tiene el modelado del riesgo crediticio.
Empresas

¿Entrenar a 2 o más personas?

Obtén a tu equipo acceso a la plataforma DataCamp completa, incluidas todas las funciones.
DataCamp para EmpresasPara obtener una solución a medida, reserve una demostración.

En las siguientes pistas

Finanzas Aplicadas en Python

Ir a la pista
  1. 1

    Exploración y preparación de datos para préstamos

    Gratuito

    En este primer capítulo, hablaremos sobre el concepto de riesgo de crédito y definiremos cómo se calcula. Utilizando tablas cruzadas y gráficos, exploraremos un conjunto de datos real. Y, antes de aplicar el machine learning, procesaremos estos datos buscando y resolviendo problemas.

    Reproducir capítulo ahora
    Qué es el riesgo crediticio
    50 xp
    Explora los datos crediticios
    100 xp
    Crosstab y tablas dinámicas
    100 xp
    Valores atípicos en los datos crediticios
    50 xp
    Búsqueda de valores atípicos con tablas cruzadas
    100 xp
    Visualización de los valores atípicos crediticios
    100 xp
    Riesgo de falta de datos en los datos de préstamos
    50 xp
    Sustitución de los datos crediticios que faltan
    100 xp
    Eliminación de los datos que faltan
    100 xp
    Intuición sobre datos que faltan
    50 xp
  2. 4

    Evaluación e implementación del modelo

    Tras desarrollar y probar dos potentes modelos de machine learning, utilizaremos métricas de rendimiento clave para compararlos. Utilizando técnicas avanzadas de selección de modelos específicamente para la modelización financiera, seleccionaremos un modelo. Con ese modelo, haremos lo siguiente: desarrollar una estrategia empresarial, calcular el valor del portafolio y minimizar la pérdida esperada.

    Reproducir capítulo ahora
Empresas

¿Entrenar a 2 o más personas?

Obtén a tu equipo acceso a la plataforma DataCamp completa, incluidas todas las funciones.

En las siguientes pistas

Finanzas Aplicadas en Python

Ir a la pista

conjuntos de datos

Raw credit dataClean credit data (outliers and missing data removed)Credit data (ready for modeling)

colaboradores

Collaborator's avatar
Mona Khalil
Collaborator's avatar
Ruanne Van Der Walt
Michael Crabtree HeadshotMichael Crabtree

Data Scientist

Ver más

¿Qué tienen que decir otros alumnos?

¡Únete a 15 millones de estudiantes y empieza Modelado del riesgo crediticio en Python hoy mismo!

Crea Tu Cuenta Gratuita

GoogleLinkedInFacebook

o

Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.