Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Si vous avez déjà demandé une carte de crédit ou un prêt, vous savez que les institutions financières analysent vos informations avant de prendre une décision. Elles le font car vous accorder un prêt peut avoir un impact financier important pour leur activité. Mais comment décident‑elles ? Dans ce cours, vous apprendrez à préparer des données de demande de crédit. Ensuite, vous appliquerez du Machine Learning et des règles métier pour réduire le risque et assurer la rentabilité. Vous utiliserez deux jeux de données qui reproduisent de vraies demandes de crédit tout en mettant l’accent sur la valeur métier. Rejoignez‑moi et découvrez la valeur attendue de la modélisation du risque de crédit !
Prérequis
Programme de formation
Plan du cours
1
Explorer et préparer les données de prêt
Dans ce premier chapitre, nous présenterons la notion de risque de crédit et préciserons son mode de calcul. À l’aide de tableaux croisés et de graphiques, nous explorerons un jeu de données réel. Avant d’appliquer du Machine Learning, nous traiterons ces données en identifiant et en corrigeant les problèmes.
- Comprendre le risque de crédit50 XP
- Explorer les données de crédit100 XP
- Tableaux croisés et tableaux croisés dynamiques100 XP
- Valeurs aberrantes dans les données de crédit50 XP
- Détecter les valeurs aberrantes avec des tables croisées100 XP
- Visualiser les valeurs aberrantes du crédit100 XP
- Risque lié aux données manquantes dans les prêts50 XP
- Remplacer les données de crédit manquantes100 XP
- Suppression des données manquantes100 XP
- Intuition sur les données manquantes50 XP
2
Régression logistique pour les défauts
Avec les données de prêt entièrement préparées, nous aborderons la régression logistique, qui fait référence dans la modélisation du risque. Nous détaillerons les composantes de ce modèle ainsi que les méthodes pour évaluer ses performances. Une fois les prédictions créées, nous étudierons l’impact financier de l’utilisation de ce modèle.
3
Arbres boostés par gradient avec XGBoost
Les arbres de décision sont un autre standard en risque de crédit. Nous irons au‑delà en utilisant le package XGBoost en Python pour construire des arbres boostés par gradient. Après avoir développé des modèles avancés, nous testerons leur robustesse et discuterons de la sélection de variables dans des données déséquilibrées.
4
Évaluation et mise en production du modèle
Après avoir développé et testé deux puissants modèles de Machine Learning, nous les comparerons à l’aide d’indicateurs clés de performance. En recourant à des techniques avancées de sélection de modèles spécifiques à la finance, nous en retiendrons un. Avec ce modèle, nous élaborerons une stratégie métier, estimerons la valeur du portefeuille et minimiserons la perte attendue.
Modélisation du risque de crédit en Python
Cours
terminé
