Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Se você já solicitou um cartão de crédito ou um empréstimo, sabe que as instituições financeiras analisam suas informações antes de decidir. Isso acontece porque conceder um empréstimo pode ter um grande impacto financeiro para o negócio. Mas como elas tomam essa decisão? Neste curso, você vai aprender a preparar dados de solicitações de crédito. Depois disso, vai aplicar Machine Learning e regras de negócio para reduzir o risco e garantir a lucratividade. Você usará dois conjuntos de dados que simulam solicitações reais de crédito, sempre com foco em gerar valor para o negócio. Junte-se a mim e descubra o valor esperado na modelagem de risco de crédito!
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Explorando e Preparando Dados de Empréstimos
Neste primeiro capítulo, vamos discutir o conceito de risco de crédito e definir como ele é calculado. Usando tabelas cruzadas e gráficos, vamos explorar um conjunto de dados do mundo real. Antes de aplicar Machine Learning, vamos processar esses dados identificando e resolvendo problemas.
- Entendendo o risco de crédito50 XP
- Explore os dados de crédito100 XP
- Tabelas cruzadas e tabelas dinâmicas100 XP
- Outliers em dados de crédito50 XP
- Encontrando outliers com tabelas cruzadas100 XP
- Visualizando outliers de crédito100 XP
- Risco com dados ausentes em dados de empréstimos50 XP
- Substituindo dados de crédito ausentes100 XP
- Removendo dados ausentes100 XP
- Intuição sobre dados ausentes50 XP
2
Regressão Logística para Inadimplência
Com os dados do empréstimo totalmente preparados, vamos discutir o modelo de regressão logística, que é um padrão em modelagem de risco. Vamos entender os componentes desse modelo e como avaliar seu desempenho. Depois de criar previsões, podemos explorar o impacto financeiro de utilizar esse modelo.
3
Árvores Gradient Boosting com XGBoost
Árvores de decisão são outro padrão em modelos de risco de crédito. Vamos além das árvores de decisão usando o pacote XGBoost no Python para criar árvores gradient boosting. Após desenvolver modelos sofisticados, vamos submeter seu desempenho a testes de estresse e discutir a seleção de colunas em dados desbalanceados.
4
Avaliação e Implementação de Modelos
Depois de desenvolver e testar dois modelos poderosos de Machine Learning, usaremos métricas-chave de desempenho para compará-los. Com técnicas avançadas de seleção de modelos, específicas para modelagem financeira, vamos escolher um modelo. Com esse modelo, vamos: desenvolver uma estratégia de negócio, estimar o valor do portfólio e minimizar a perda esperada.
Modelagem de Risco de Crédito em Python
Curso
concluído
