After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Om du någonsin har ansökt om ett kreditkort eller lån vet du att finansiella företag granskar din information innan de fattar ett beslut. Det beror på att ett lån kan få betydande ekonomiska konsekvenser för deras verksamhet. Men hur fattar de sitt beslut? I den här kursen lär du dig att förbereda data från kreditansökningar. Därefter tillämpar du maskininlärning och affärsregler för att minska risker och säkerställa lönsamhet. Du arbetar med två datamängder som efterliknar verkliga kreditansökningar, med fokus på affärsvärde. Följ med och lär dig det förväntade värdet av kreditriskmodellering!
Förkunskapskrav
Kursplan
Kursöversikt
1
Utforska och förbereda lånedata
I det här första kapitlet går vi igenom begreppet kreditrisk och definierar hur det beräknas. Med hjälp av korstabeller och diagram utforskar vi en verklig datamängd. Innan vi tillämpar maskininlärning bearbetar vi datan genom att identifiera och åtgärda problem.
- Förstå kreditrisk50 XP
- Utforska kreditdata100 XP
- Korstabeller och pivottabeller100 XP
- Extremvärden i kreditdata50 XP
- Hitta avvikande värden med korstabeller100 XP
- Visualisera kreditavvikare100 XP
- Risk med saknade data i lånedata50 XP
- Ersätta saknade kreditdata100 XP
- Ta bort saknade data100 XP
- Intuition kring saknade värden50 XP
2
Logistisk regression för betalningsinställelser
Med lånedata fullt förberedd går vi igenom den logistiska regressionsmodellen, som är standard inom riskmodellering. Vi förstår modellens komponenter och hur man utvärderar dess prestanda. När vi väl har skapat prediktioner kan vi utforska de ekonomiska konsekvenserna av att använda modellen.
3
Gradientförstärkta träd med XGBoost
Beslutsträd är ytterligare en standardmodell inom kreditrisk. Vi går ett steg längre och använder det populära XGBoost-paketet i Python för att skapa gradientförstärkta träd. Efter att ha utvecklat avancerade modeller stresstessar vi deras prestanda och diskuterar kolumnurval vid obalanserad data.
4
Modellutvärdering och implementering
Efter att ha utvecklat och testat två kraftfulla maskininlärningsmodeller använder vi centrala prestandamått för att jämföra dem. Med hjälp av avancerade modellvalstekniker anpassade för finansiell modellering väljer vi en modell. Med den modellen utvecklar vi en affärsstrategi, uppskattar portföljvärdet och minimerar den förväntade förlusten.
Kreditriskmodellering i Python
Kurs
slutförd
