Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
Den här praktiska kursen med verkliga kreditdata lär dig att modellera kreditrisk med logistisk regression och beslutsträd i R. Kreditriskmodellering för både privatlån och företagslån är av stor vikt för banker. Sannolikheten att en låntagare inte återbetalar sitt lån är en central komponent för att mäta kreditrisk. Utöver andra modeller som presenteras i kursen får du lära dig om två modelltyper som ofta används inom kreditbedömning: logistisk regression och beslutsträd. Du lär dig hur de används i det här sammanhanget och hur banker utvärderar dem.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion och dataförbehandling
Det här kapitlet börjar med en allmän introduktion till kreditriskmodeller. Vi utforskar ett verkligt dataset och förbehandlar det så att det har rätt format innan vi tillämpar kreditriskmodellerna.
- Introduktion och datastruktur50 XP
- Utforska kreditdata100 XP
- Tolka en CrossTable()50 XP
- Histogram och extremvärden50 XP
- Histogram100 XP
- Avvikande värden100 XP
- Saknade värden och grov klassificering50 XP
- Ta bort saknade värden100 XP
- Ersätta saknade värden100 XP
- Hantera saknade värden100 XP
- Datauppdelning och förväxlingsmatriser50 XP
- Dela upp datamängden100 XP
- Skapa en förväxlingsmatris100 XP
2
Logistisk regression
Logistisk regression används fortfarande i stor utsträckning inom kreditriskmodellering. I det här kapitlet lär du dig hur du tillämpar logistiska regressionsmodeller på kreditdata i R.
3
Beslutsträd
Klassificeringsträd är en annan populär metod inom kreditriskmodellering. I det här kapitlet lär du dig hur du bygger klassificeringsträd med kreditdata i R.
4
Utvärdering av en kreditriskmodell
I det här kapitlet lär du dig hur du kan utvärdera och jämföra resultaten från flera olika kreditriskmodeller.
R
Kreditriskmodellering i R
Kurs
slutförd
