After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Jika Anda pernah mengajukan kartu kredit atau pinjaman, Anda tahu bahwa perusahaan keuangan akan memproses informasi Anda sebelum mengambil keputusan. Ini karena memberikan pinjaman kepada Anda dapat berdampak finansial serius bagi bisnis mereka. Lalu bagaimana mereka mengambil keputusan? Dalam kursus ini, Anda akan mempelajari cara menyiapkan data aplikasi kredit. Setelah itu, Anda akan menerapkan machine learning dan aturan bisnis untuk mengurangi risiko dan memastikan profitabilitas. Anda akan menggunakan dua himpunan data yang meniru aplikasi kredit nyata dengan berfokus pada nilai bisnis. Bergabunglah dan pelajari nilai harapan dari pemodelan risiko kredit!
Prasyarat
Kurikulum
Garis besar kursus
1
Menjelajahi dan Menyiapkan Data Pinjaman
Pada bab pertama ini, kita akan membahas konsep risiko kredit dan mendefinisikan cara menghitungnya. Menggunakan tabel silang dan plot, kita akan mengeksplorasi himpunan data dunia nyata. Sebelum menerapkan machine learning, kita akan memproses data ini dengan menemukan dan menyelesaikan permasalahan.
- Memahami risiko kredit50 XP
- Jelajahi data kredit100 XP
- Crosstab dan tabel pivot100 XP
- Pencilan dalam data kredit50 XP
- Menemukan pencilan dengan tabel silang100 XP
- Memvisualisasikan pencilan kredit100 XP
- Risiko akibat data hilang pada data pinjaman50 XP
- Mengganti data kredit yang hilang100 XP
- Menghapus data yang hilang100 XP
- Intuisi data hilang50 XP
2
Regresi Logistik untuk Gagal Bayar
Dengan data pinjaman yang sudah sepenuhnya siap, kita akan membahas model regresi logistik yang menjadi standar dalam pemodelan risiko. Kita akan memahami komponen model ini serta cara menilai kinerjanya. Setelah membuat prediksi, kita dapat mengeksplorasi dampak finansial dari penggunaan model ini.
3
Gradient Boosted Trees Menggunakan XGBoost
Pohon keputusan adalah model risiko kredit standar lainnya. Kita akan melampaui pohon keputusan dengan menggunakan paket XGBoost yang sedang tren di Python untuk membuat gradient boosted trees. Setelah mengembangkan model yang canggih, kita akan melakukan stress test terhadap kinerjanya dan membahas pemilihan kolom pada data yang tidak seimbang.
4
Evaluasi dan Implementasi Model
Setelah mengembangkan dan menguji dua model machine learning yang kuat, kita menggunakan metrik kinerja utama untuk membandingkannya. Dengan teknik pemilihan model tingkat lanjut khusus untuk pemodelan finansial, kita akan memilih satu model. Dengan model tersebut, kita akan: mengembangkan strategi bisnis, memperkirakan nilai portofolio, dan meminimalkan kerugian yang diharapkan.
Pemodelan Risiko Kredit dengan Python
Kursus
Selesai
