After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Mô tả khóa học
Nếu bạn từng đăng ký thẻ tín dụng hoặc khoản vay, bạn biết rằng các tổ chức tài chính sẽ xử lý thông tin của bạn trước khi ra quyết định. Điều này là vì việc cho bạn vay có thể ảnh hưởng lớn đến tài chính của họ. Vậy họ quyết định như thế nào? Trong khóa học này, bạn sẽ học cách chuẩn bị dữ liệu hồ sơ tín dụng. Sau đó, bạn sẽ áp dụng Machine Learning và các quy tắc nghiệp vụ để giảm rủi ro và đảm bảo lợi nhuận. Bạn sẽ dùng hai bộ dữ liệu mô phỏng các hồ sơ vay thực tế, tập trung vào giá trị kinh doanh. Tham gia cùng tôi để tìm hiểu giá trị kỳ vọng trong mô hình hóa rủi ro tín dụng!
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Khám phá và Chuẩn bị Dữ liệu Khoản vay
Trong chương đầu tiên, chúng ta sẽ bàn về khái niệm rủi ro tín dụng và cách tính toán. Sử dụng bảng chéo và biểu đồ, chúng ta sẽ khám phá một bộ dữ liệu thực tế. Trước khi áp dụng Machine Learning, chúng ta sẽ xử lý dữ liệu này bằng cách tìm và khắc phục các vấn đề.
- Tìm hiểu rủi ro tín dụng50 XP
- Khám phá dữ liệu tín dụng100 XP
- Bảng chéo và pivot100 XP
- Giá trị ngoại lai trong dữ liệu tín dụng50 XP
- Tìm ngoại lệ bằng bảng chéo100 XP
- Trực quan hóa các giá trị ngoại lai về tín dụng100 XP
- Rủi ro do dữ liệu thiếu trong dữ liệu khoản vay50 XP
- Thay thế dữ liệu tín dụng bị thiếu100 XP
- Loại bỏ dữ liệu thiếu100 XP
- Trực giác về dữ liệu thiếu50 XP
2
Hồi quy Logistic cho Vỡ nợ
Khi dữ liệu khoản vay đã được chuẩn bị đầy đủ, chúng ta sẽ thảo luận về mô hình hồi quy logistic, một tiêu chuẩn trong mô hình rủi ro. Chúng ta sẽ hiểu các thành phần của mô hình này cũng như cách chấm điểm hiệu suất của nó. Khi đã tạo ra dự đoán, chúng ta có thể xem xét tác động tài chính của việc sử dụng mô hình này.
3
Cây Tăng cường Dần với XGBoost
Cây quyết định là một mô hình rủi ro tín dụng tiêu chuẩn khác. Chúng ta sẽ đi xa hơn cây quyết định bằng cách sử dụng gói XGBoost thịnh hành trong Python để tạo các cây tăng cường dần (gradient boosted trees). Sau khi phát triển các mô hình tinh vi, chúng ta sẽ kiểm thử sức bền hiệu suất của chúng và thảo luận về chọn cột trong dữ liệu mất cân bằng.
4
Đánh giá và Triển khai Mô hình
Sau khi phát triển và kiểm thử hai mô hình Machine Learning mạnh mẽ, chúng ta dùng các chỉ số hiệu suất chính để so sánh chúng. Sử dụng các kỹ thuật chọn mô hình nâng cao dành riêng cho mô hình tài chính, chúng ta sẽ chọn một mô hình. Với mô hình đó, chúng ta sẽ: xây dựng chiến lược kinh doanh, ước tính giá trị danh mục, và giảm thiểu tổn thất kỳ vọng.
Mô hình hóa Rủi ro Tín dụng bằng Python
Hoàn
thành khóa học
