After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
如果您申请过信用卡或贷款，您会知道金融机构会在做出决定前处理您的信息。这是因为向您放贷会对其业务产生重大的财务影响。那么他们如何做出决定？在本课程中，您将学习如何准备信用申请数据。随后，您将应用机器学习和业务规则来降低风险并确保盈利。您将使用两个模拟真实信用申请的数据集，并始终关注业务价值。加入我，一起学习信用风险建模中的期望价值！
先修要求
课程大纲
课程大纲
1
贷款数据的探索与准备
在第一章中，我们将讨论信用风险的概念，并界定其计算方式。借助交叉表和可视化图表，我们将探索一个真实数据集。在应用机器学习之前，我们会通过发现并解决问题来处理这些数据。
2
违约的逻辑回归
在贷款数据充分准备好之后，我们将讨论逻辑回归模型，它是风险建模中的标准方法。我们将理解该模型的组成部分，以及如何评估其性能。一旦生成预测结果，我们就可以分析使用该模型的财务影响。
3
使用 XGBoost 的梯度提升树
决策树是另一种常见的信用风险模型。我们将更进一步，使用 Python 中流行的 XGBoost 包来构建梯度提升树。开发出更复杂的模型后，我们将对其性能进行压力测试，并讨论在类别不平衡数据中的特征（列）选择。
4
模型评估与实施
在开发并测试了两种强大的机器学习模型后，我们将使用关键性能指标对它们进行比较。通过专为金融建模设计的高级模型选择技术，我们将选出一个模型。基于该模型，我们将制定业务策略、估算资产组合价值，并最小化期望损失。
Python 信用风险建模
课程完成
