After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
หากเคยสมัครบัตรเครดิตหรือขอสินเชื่อ คุณคงทราบดีว่าสถาบันการเงินจะตรวจสอบข้อมูลก่อนตัดสินใจเสมอ เพราะการปล่อยกู้มีผลกระทบต่อธุรกิจอย่างมีนัยสำคัญ แล้วพวกเขาตัดสินใจอย่างไร? ในคอร์สนี้ คุณจะได้เรียนรู้วิธีเตรียมข้อมูลใบสมัครสินเชื่อ จากนั้นจะนำ machine learning และกฎทางธุรกิจมาใช้เพื่อลดความเสี่ยงและสร้างความสามารถในการทำกำไร โดยใช้ชุดข้อมูล 2 ชุดที่จำลองจากใบสมัครสินเชื่อจริง พร้อมมุ่งเน้นที่คุณค่าทางธุรกิจ มาเรียนรู้ถึงคุณค่าที่คาดหวังจากการสร้างโมเดลความเสี่ยงด้านเครดิตไปด้วยกัน!
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
การสำรวจและเตรียมข้อมูลสินเชื่อ
ในบทแรกนี้ เราจะพูดถึงแนวคิดของความเสี่ยงด้านเครดิตและวิธีคำนวณ จากนั้นจะสำรวจชุดข้อมูลจากสถานการณ์จริงด้วย cross table และกราฟ และก่อนนำ machine learning มาใช้ เราจะประมวลผลข้อมูลโดยค้นหาและแก้ไขปัญหาที่พบ
- ทำความเข้าใจความเสี่ยงด้านสินเชื่อ50 XP
- สำรวจข้อมูลสินเชื่อ100 XP
- Cross table และ Pivot Table100 XP
- ค่าผิดปกติในข้อมูลสินเชื่อ50 XP
- ค้นหาค่าผิดปกติด้วย cross table100 XP
- การแสดงภาพค่าผิดปกติในข้อมูลสินเชื่อ100 XP
- ความเสี่ยงจากข้อมูลที่หายไปในข้อมูลสินเชื่อ50 XP
- การแทนที่ข้อมูลสินเชื่อที่หายไป100 XP
- การลบข้อมูลสูญหาย100 XP
- ทดสอบความเข้าใจเรื่องข้อมูลที่หายไป50 XP
2
การใช้ Logistic Regression เพื่อพยากรณ์การผิดนัดชำระ
เมื่อเตรียมข้อมูลสินเชื่อเสร็จเรียบร้อย เราจะมาทำความเข้าใจโมเดล logistic regression ซึ่งเป็นมาตรฐานในการสร้างโมเดลความเสี่ยง ครอบคลุมทั้งองค์ประกอบของโมเดลและวิธีประเมินประสิทธิภาพ เมื่อได้ผลการพยากรณ์แล้ว เราจะสำรวจผลกระทบทางการเงินจากการนำโมเดลนี้ไปใช้
3
Gradient Boosted Trees ด้วย XGBoost
Decision tree เป็นอีกหนึ่งโมเดลมาตรฐานสำหรับความเสี่ยงด้านเครดิต เราจะก้าวไปไกลกว่า decision tree ด้วยการใช้แพ็กเกจ XGBoost ใน Python เพื่อสร้าง gradient boosted trees หลังจากพัฒนาโมเดลที่ซับซ้อนแล้ว เราจะทดสอบความทนทานของประสิทธิภาพและพูดถึงการเลือกคอลัมน์ในข้อมูลที่ไม่สมดุล
4
การประเมินและนำโมเดลไปใช้งาน
หลังจากพัฒนาและทดสอบโมเดล machine learning ที่ทรงพลัง 2 โมเดล เราจะใช้ตัวชี้วัดประสิทธิภาพหลักมาเปรียบเทียบกัน จากนั้นใช้เทคนิคการเลือกโมเดลขั้นสูงที่ออกแบบมาสำหรับการสร้างโมเดลทางการเงินโดยเฉพาะ เมื่อเลือกโมเดลได้แล้ว เราจะพัฒนากลยุทธ์ทางธุรกิจ ประมาณมูลค่าพอร์ตโฟลิโอ และลดความสูญเสียที่คาดหวัง
การสร้างโมเดลความเสี่ยงด้านเครดิตด้วย Python
เรียนจบแล้ว
