After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Якщо ви коли-небудь подавали заявку на кредитну картку чи позику, то знаєте, що фінансові компанії опрацьовують вашу інформацію перед ухваленням рішення. Це пов'язано з тим, що надання вам позики може суттєво вплинути на їхні фінанси. Але як саме вони приймають рішення? У цьому курсі ви навчитеся готувати дані кредитних заявок. Після цього ви застосуєте машинне навчання та бізнес-правила, щоб зменшити ризик і забезпечити прибутковість. Ви використаєте два набори даних, що імітують реальні кредитні заявки, з фокусом на бізнес-цінності. Приєднуйтеся та дізнайтеся, як розраховують очікувану вартість у моделюванні кредитного ризику!
Попередні вимоги
Навчальний план
Зміст курсу
1
Дослідження та підготовка даних за позиками
У цьому першому розділі ми обговоримо поняття кредитного ризику та визначимо, як його обчислюють. Використовуючи перехресні таблиці та графіки, ми дослідимо реальний набір даних. Перш ніж застосовувати машинне навчання, ми обробимо ці дані, знаходячи й усуваючи проблеми.
- Розуміння кредитного ризику50 XP
- Дослідіть кредитні дані100 XP
- Зведені таблиці: crosstab і pivot100 XP
- Викиди в кредитних даних50 XP
- Пошук викидів за допомогою крос-таблиць100 XP
- Візуалізація викидів у кредитних даних100 XP
- Ризик через пропущені дані в кредитних даних50 XP
- Заміна пропущених кредитних даних100 XP
- Вилучення пропущених даних100 XP
- Інтуїція щодо пропусків у даних50 XP
2
Логістична регресія для дефолтів
Коли дані за позиками повністю підготовлено, ми розглянемо модель логістичної регресії — стандарт у моделюванні ризику. Ми розберемо компоненти цієї моделі та те, як оцінювати її продуктивність. Після створення прогнозів ми зможемо дослідити фінансовий вплив використання цієї моделі.
3
Градієнтні бустингові дерева за допомогою XGBoost
Дерева рішень — ще один стандартний підхід до кредитного ризику. Ми підемо далі за дерева рішень і використаємо популярний пакет XGBoost у Python, щоб побудувати градієнтні бустингові дерева. Після розроблення складних моделей ми перевіримо їх на стійкість і обговоримо вибір стовпців у незбалансованих даних.
4
Оцінювання та впровадження моделі
Розробивши та протестувавши дві потужні моделі машинного навчання, ми порівняємо їх за ключовими метриками. Використовуючи просунуті методи вибору моделей, спеціально для фінансового моделювання, ми оберемо одну модель. З цією моделлю ми: розробимо бізнес-стратегію, оцінемо вартість портфеля та мінімізуємо очікувані збитки.
Моделювання кредитного ризику в Python
Курс
завершено
