Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Se hai mai richiesto una carta di credito o un prestito, sai che le società finanziarie analizzano le tue informazioni prima di decidere. Questo perché concedere un prestito può avere un impatto economico importante sul loro business. Ma come prendono la decisione? In questo corso imparerai a preparare i dati delle richieste di credito. Poi applicherai Machine Learning e regole di business per ridurre il rischio e assicurare la redditività. Userai due insiemi di dati che emulano reali richieste di credito, con un focus sul valore per il business. Unisciti a me e scopri il valore atteso del credit risk modeling!
Prerequisiti
Programma
Struttura del corso
1
Esplorare e preparare i dati dei prestiti
In questo primo capitolo parleremo del concetto di rischio di credito e definiremo come si calcola. Utilizzando tabelle a doppia entrata e grafici, esploreremo un insieme di dati reale. Prima di applicare il Machine Learning, elaboreremo questi dati individuando e risolvendo i problemi.
- Comprendere il rischio di credito50 XP
- Esplora i dati sul credito100 XP
- Tabelle a doppia entrata e tabelle pivot100 XP
- Valori anomali nei dati di credito50 XP
- Individuare outlier con tabelle incrociate100 XP
- Visualizzare gli outlier di credito100 XP
- Rischio con dati mancanti nei prestiti50 XP
- Sostituire i dati mancanti sul credito100 XP
- Rimozione dei dati mancanti100 XP
- Intuizione sui dati mancanti50 XP
2
Regressione logistica per i default
Con i dati dei prestiti completamente preparati, discuteremo il modello di regressione logistica, uno standard nel risk modeling. Capiremo i componenti di questo modello e come valutarne le prestazioni. Una volta generate le previsioni, potremo analizzare l’impatto finanziario dell’utilizzo del modello.
3
Gradient Boosted Trees con XGBoost
Gli alberi decisionali sono un altro modello standard per il rischio di credito. Andremo oltre gli alberi decisionali usando il pacchetto XGBoost in Python per creare gradient boosted trees. Dopo aver sviluppato modelli sofisticati, sottoporremo a stress test le loro prestazioni e parleremo della selezione delle colonne in dati sbilanciati.
4
Valutazione e implementazione del modello
Dopo aver sviluppato e testato due potenti modelli di Machine Learning, useremo metriche chiave di prestazione per confrontarli. Con tecniche avanzate di selezione dei modelli specifiche per la modellazione finanziaria, ne sceglieremo uno. Con quel modello svilupperemo una strategia di business, stimeremo il valore del portafoglio e ridurremo al minimo la perdita attesa.
Credit Risk Modeling in Python
Corso
completato
