After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Описание курса
Если вы когда-либо подавали заявку на кредитную карту или кредит, то знаете, что финансовые компании анализируют ваши данные перед принятием решения. Это связано с тем, что выдача кредита может существенно повлиять на их бизнес. Но как именно они принимают решение? В этом курсе вы научитесь подготавливать данные кредитных заявок. Затем вы применёте машинное обучение и бизнес-правила, чтобы снизить риски и обеспечить прибыльность. Вы будете работать с двумя наборами данных, имитирующими реальные кредитные заявки, с акцентом на практическую ценность для бизнеса. Присоединяйтесь и узнайте, как моделирование кредитного риска влияет на ожидаемую доходность!
Предварительные требования
Программа
Структура курса
1
Изучение и подготовка данных по кредитам
В первой главе мы рассмотрим понятие кредитного риска и разберём, как он рассчитывается. С помощью сводных таблиц и графиков мы изучим реальный набор данных. Перед применением машинного обучения мы обработаем эти данные: найдём и устраним имеющиеся проблемы.
- Понятие кредитного риска50 XP
- Исследование кредитных данных100 XP
- Перекрёстные таблицы и сводные таблицы100 XP
- Выбросы в кредитных данных50 XP
- Поиск выбросов с помощью сводных таблиц100 XP
- Визуализация выбросов в кредитных данных100 XP
- Риск пропущенных данных в данных о кредитах50 XP
- Замена пропущенных значений в кредитных данных100 XP
- Удаление пропущенных данных100 XP
- Интуиция при работе с пропущенными данными50 XP
2
Логистическая регрессия для прогнозирования дефолтов
После полной подготовки данных по кредитам мы рассмотрим модель логистической регрессии, которая является стандартом в моделировании рисков. Вы познакомитесь с компонентами этой модели и способами оценки её качества. После получения прогнозов мы проанализируем финансовый эффект от применения модели.
3
Деревья с градиентным бустингом на основе XGBoost
Деревья решений — ещё один стандартный инструмент моделирования кредитного риска. В этой главе мы пойдём дальше и воспользуемся популярной библиотекой XGBoost для Python, чтобы построить деревья с градиентным бустингом. После разработки сложных моделей мы проведём стресс-тестирование их производительности и обсудим выбор признаков при работе с несбалансированными данными.
4
Оценка и применение модели
Разработав и протестировав две мощные модели машинного обучения, мы используем ключевые метрики качества для их сравнения. Применяя продвинутые методы выбора моделей, специально адаптированные для финансового моделирования, мы отберём одну из них. На её основе мы разработаем бизнес-стратегию, оценим стоимость портфеля и минимизируем ожидаемые потери.
Моделирование кредитного риска на Python
Курс
завершён
