After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
Als je ooit een creditcard of lening hebt aangevraagd, weet je dat financiële instellingen je gegevens beoordelen voordat ze beslissen. Dat komt omdat een lening verstrekken grote financiële gevolgen kan hebben voor hun bedrijf. Maar hoe nemen ze die beslissing? In deze cursus leer je hoe je kredietaanvraaggegevens voorbereidt. Daarna pas je machine learning en business rules toe om risico te verlagen en winstgevendheid te waarborgen. Je gebruikt twee gegevenssets die echte kredietaanvragen nabootsen, met focus op zakelijke waarde. Doe mee en leer de verwachtingswaarde van kredietrisicomodellering!
Vereisten
Curriculum
Cursusoverzicht
1
Leningdata verkennen en voorbereiden
In dit eerste hoofdstuk bespreken we het concept kredietrisico en definiëren we hoe je het berekent. Met kruistabellen en grafieken verkennen we een realistische gegevensset. Voordat we machine learning toepassen, verwerken we deze data door problemen te vinden en op te lossen.
- Inzicht in kredietrisico50 XP
- Verken de kredietdata100 XP
- Kruistabel- en draaitabellen100 XP
- Uitschieters in kredietgegevens50 XP
- Uitschieters vinden met kruistabellen100 XP
- Uitschieters in kredietgegevens visualiseren100 XP
- Risico bij ontbrekende gegevens in leningen50 XP
- Ontbrekende kredietgegevens vervangen100 XP
- Ontbrekende gegevens verwijderen100 XP
- Intuïtie bij ontbrekende data50 XP
2
Logistische regressie voor wanbetalingen
Met de leningdata volledig voorbereid bespreken we het model logistische regressie, een standaard in risicomodellering. We behandelen de onderdelen van dit model en hoe je de prestaties beoordeelt. Zodra we voorspellingen hebben gemaakt, onderzoeken we de financiële impact van het gebruik van dit model.
3
Gradient boosted trees met XGBoost
Beslisbomen zijn een andere standaard voor kredietrisicomodellen. We gaan verder dan beslisbomen door het populaire XGBoost-pakket in Python te gebruiken om gradient boosted trees te maken. Na het ontwikkelen van geavanceerde modellen onderwerpen we hun prestaties aan een stresstest en bespreken we kolomselectie bij ongebalanceerde data.
4
Modelbeoordeling en implementatie
Na het ontwikkelen en testen van twee krachtige Machine Learning-modellen vergelijken we ze met kernprestatie-indicatoren. Met geavanceerde modelselectietechnieken, specifiek voor financiële modellering, kiezen we één model. Met dat model ontwikkelen we een bedrijfsstrategie, schatten we de portefeuilleverwachtingswaarde en minimaliseren we het verwachte verlies.
Kredietrisicomodellering in Python
Cursus
voltooid
