After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Jeśli kiedykolwiek składałeś wniosek o kartę kredytową lub pożyczkę, wiesz, że instytucje finansowe analizują twoje dane przed podjęciem decyzji. Udzielenie kredytu może mieć poważne konsekwencje finansowe dla firmy. Jak jednak zapada ta decyzja? W tym kursie nauczysz się przygotowywać dane z wniosków kredytowych. Następnie zastosujesz uczenie maszynowe i reguły biznesowe, aby ograniczyć ryzyko i zapewnić rentowność. Będziesz pracować na dwóch zbiorach danych odwzorowujących rzeczywiste wnioski kredytowe, skupiając się na wartości biznesowej. Dołącz do mnie i odkryj, jak modelowanie ryzyka kredytowego przekłada się na realne korzyści!
Wymagania wstępne
Program kursu
Plan kursu
1
Eksploracja i przygotowanie danych kredytowych
W tym pierwszym rozdziale omówimy pojęcie ryzyka kredytowego i sposób jego obliczania. Korzystając z tabel krzyżowych i wykresów, zbadamy rzeczywisty zbiór danych. Przed zastosowaniem uczenia maszynowego przetworzymy te dane – znajdziemy i rozwiążemy istniejące problemy.
- Czym jest ryzyko kredytowe?50 XP
- Eksploracja danych kredytowych100 XP
- Tabele krzyżowe i tabele przestawne100 XP
- Wartości odstające w danych kredytowych50 XP
- Wykrywanie wartości odstających za pomocą tabel krzyżowych100 XP
- Wizualizacja wartości odstających w danych kredytowych100 XP
- Ryzyko związane z brakującymi danymi w zbiorze pożyczkowym50 XP
- Uzupełnianie brakujących danych kredytowych100 XP
- Usuwanie brakujących danych100 XP
- Intuicja dotycząca brakujących danych50 XP
2
Regresja logistyczna dla modeli niewykonania zobowiązania
Gdy dane kredytowe będą w pełni przygotowane, omówimy model regresji logistycznej, będący standardem w modelowaniu ryzyka. Poznasz jego składowe oraz sposoby oceny jego skuteczności. Po uzyskaniu prognoz przeanalizujemy finansowy wpływ zastosowania tego modelu.
3
Drzewa gradientowe z użyciem XGBoost
Drzewa decyzyjne to kolejny standard w modelowaniu ryzyka kredytowego. Wyjdziemy jednak poza klasyczne drzewa decyzyjne i użyjemy popularnej biblioteki XGBoost w Pythonie do tworzenia drzew gradientowych. Po zbudowaniu zaawansowanych modeli przetestujemy ich odporność i omówimy dobór kolumn w przypadku niezbalansowanych danych.
4
Ocena i wdrożenie modelu
Po opracowaniu i przetestowaniu dwóch zaawansowanych modeli uczenia maszynowego porównamy je przy użyciu kluczowych metryk. Dzięki zaawansowanym technikom doboru modeli, stosowanym specjalnie w modelowaniu finansowym, wybierzemy jeden z nich. Na jego podstawie opracujemy strategię biznesową, oszacujemy wartość portfela i zminimalizujemy oczekiwane straty.
Modelowanie ryzyka kredytowego w Pythonie
Kurs
ukończony
