Build your ultimate AI agent
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.
Requisitos previos
Programa de formación
Contenido del curso
1
Exploración y preparación de datos para préstamos
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.
- Qué es el riesgo crediticio50 XP
- Explora los datos crediticios100 XP
- Crosstab y tablas dinámicas100 XP
- Valores atípicos en los datos crediticios50 XP
- Búsqueda de valores atípicos con tablas cruzadas100 XP
- Visualización de los valores atípicos crediticios100 XP
- Riesgo de falta de datos en los datos de préstamos50 XP
- Sustitución de los datos crediticios que faltan100 XP
- Eliminación de los datos que faltan100 XP
- Intuición sobre datos que faltan50 XP
2
Regresión logística para incumplimientos
Con los datos del préstamo totalmente preparados, hablaremos del modelo de regresión logística, que es un estándar en la modelización del riesgo. Comprenderemos los componentes de este modelo, así como la forma de puntuar su rendimiento. Una vez creadas las previsiones, podremos explorar el impacto financiero de la utilización de este modelo.
3
Árboles potenciados por gradiente con XGBoost
Los árboles de decisión son otro modelo estándar de riesgo crediticio. Iremos más allá de los árboles de decisión utilizando el paquete XGBoost, que está de moda, en Python para crear árboles impulsados por gradiente. Tras desarrollar modelos sofisticados, someteremos a test de estrés su rendimiento y hablaremos de qué es la selección de columnas en datos no equilibrados.
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.
Modelado del riesgo crediticio en Python
Curso
completado
