After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrierea cursului
Dacă ai aplicat vreodată pentru un card de credit sau un împrumut, știi că instituțiile financiare îți analizează informațiile înainte de a lua o decizie. Acordarea unui credit poate avea un impact financiar semnificativ asupra afacerii lor. Dar cum iau această decizie? În acest curs, vei învăța cum să pregătești date din aplicații de credit. Apoi, vei aplica tehnici de machine learning și reguli de business pentru a reduce riscul și a asigura profitabilitatea. Vei lucra cu două seturi de date care simulează aplicații reale de credit, cu accent pe valoarea de business. Alătură-te și descoperă valoarea modelării riscului de credit!
Cerințe prealabile
Curriculum
Structura cursului
1
Explorarea și Pregătirea Datelor despre Împrumuturi
În acest prim capitol, vom discuta conceptul de risc de credit și modul în care este calculat. Folosind tabele încrucișate și grafice, vom explora un set de date din lumea reală. Înainte de a aplica machine learning, vom procesa aceste date identificând și rezolvând problemele existente.
- Înțelegerea riscului de credit50 XP
- Explorează datele de credit100 XP
- Tabele încrucișate și tabele pivot100 XP
- Valori extreme în datele de credit50 XP
- Identificarea valorilor extreme cu tabele încrucișate100 XP
- Vizualizarea valorilor extreme din datele de credit100 XP
- Riscul asociat datelor lipsă în datele despre împrumuturi50 XP
- Înlocuirea datelor lipsă din setul de date de credit100 XP
- Eliminarea datelor lipsă100 XP
- Intuiție despre datele lipsă50 XP
2
Regresie Logistică pentru Predicția Nerambursărilor
Cu datele despre împrumuturi complet pregătite, vom discuta modelul de regresie logistică, un standard în modelarea riscului. Vom înțelege componentele acestui model și modul în care îi evaluăm performanța. După ce am generat predicții, vom explora impactul financiar al utilizării acestui model.
3
Arbori cu Gradient Boosting folosind XGBoost
Arborii de decizie reprezintă un alt model standard pentru riscul de credit. Vom merge mai departe de arborii de decizie, folosind pachetul XGBoost din Python pentru a crea arbori cu gradient boosting. După dezvoltarea unor modele sofisticate, le vom testa rezistența la condiții extreme și vom discuta selecția coloanelor în date dezechilibrate.
4
Evaluarea și Implementarea Modelelor
După dezvoltarea și testarea a două modele puternice de machine learning, vom folosi indicatori cheie de performanță pentru a le compara. Prin tehnici avansate de selecție a modelelor, specifice modelării financiare, vom alege un model final. Cu acel model, vom: dezvolta o strategie de business, estima valoarea portofoliului și minimiza pierderea așteptată.
Modelarea Riscului de Credit în Python
Curs
finalizat
