Saltar al contenido principal
InicioPythonModelado del riesgo crediticio en Python

Modelado del riesgo crediticio en Python

Aprende a preparar los datos de solicitudes de crédito y a aplicar machine learning y reglas empresariales para reducir el riesgo y garantizar la rentabilidad.

Comience El Curso Gratis
4 Horas15 Videos57 Ejercicios
18.092 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?Pruebe DataCamp para empresas

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 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 una decisión? En este curso aprenderás a preparar los datos de la 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. Únete a mí y aprende el valor esperado del modelado del riesgo crediticio.
Empresas

Group¿Entrenar a 2 o más personas?

Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y más
Pruebe DataCamp Para EmpresasPara obtener una solución a medida, reserve una demostración.
  1. 1

    Exploración y preparación de datos de préstamos

    Gratuito

    En este capítulo aprenderás qué es la programación orientada a objetos (POO), en qué se diferencia de la programación procedimental y cómo puede aplicarse. A continuación, definirás tus propias clases y aprenderás a crear métodos, atributos y constructores.

    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 y aplicación del modelo

    Tras desarrollar y probar dos potentes modelos de machine learning, utilizamos métricas de rendimiento clave para compararlos. Utilizando técnicas avanzadas de selección de modelos específicas para la modelización financiera, seleccionaremos un modelo. Con ese modelo: desarrollaremos una estrategia empresarial, estimaremos el valor del portafolio y minimizaremos la pérdida esperada.

    Reproducir Capítulo Ahora

En las siguientes pistas

Finanzas Aplicadas en Python

Colaboradores

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

Data Scientist

Ver Mas

¿Qué tienen que decir otros alumnos?

Únete a 13 millones de estudiantes y empeza Modelado del riesgo crediticio en Python hoy!

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.