在信貸風(fēng)控領(lǐng)域，隨著大數(shù)據(jù)、計(jì)算機(jī)集群技術(shù)、網(wǎng)絡(luò)技術(shù)和人工智能的發(fā)展，越來越多的金融機(jī)構(gòu)將傳統(tǒng)的策略風(fēng)控手段轉(zhuǎn)向依賴機(jī)器學(xué)習(xí)模型等量化手段。信貸環(huán)節(jié)中的審批、預(yù)警、催收以及營銷等諸多場景也適合機(jī)器學(xué)習(xí)模型的應(yīng)用。機(jī)器學(xué)習(xí)模型的發(fā)展離不開數(shù)學(xué)、統(tǒng)計(jì)、概率、計(jì)算機(jī)理論等基礎(chǔ)知識(shí)。本課程將從較為基礎(chǔ)的統(tǒng)計(jì)和概率入手，展現(xiàn)如何從從基礎(chǔ)知識(shí)入門進(jìn)而掌握較為先進(jìn)的機(jī)器學(xué)習(xí)模型，從而構(gòu)建簡單但實(shí)用的風(fēng)控模型。
第一部份：初等概率論
1) 離散隨機(jī)變量與離散分布
2) 連續(xù)隨機(jī)變量與連續(xù)分布
3) 條件概率與貝葉斯公式
4) 馬爾科夫矩陣
5) 案例：信貸違約的轉(zhuǎn)移矩陣
第二部份：初等統(tǒng)計(jì)理論
1) 假設(shè)檢驗(yàn)
2) 參數(shù)估計(jì)
3) 線性回歸
4) 案例：性別對信貸違約的影響
第三部份：數(shù)據(jù)分析師的養(yǎng)成計(jì)劃
1) 業(yè)務(wù)背景
2) 數(shù)據(jù)搜集與整理
3) 數(shù)據(jù)可視化與數(shù)據(jù)報(bào)表
4) 案例：信貸違約預(yù)測中的數(shù)據(jù)可視化
第四部份：python的介紹和入門
1) python語法
2) pandas，numpy，statsmodels，sklearn等常用包
3) 案例：pandas中的數(shù)據(jù)切片
第五部份：時(shí)間序列模型的應(yīng)用
1) AR模型
2) MA模型
3) ARIMA模型
4) 其他常見的時(shí)間序列模型
5) 案例：從股票收益率的預(yù)測說起
第六部份：廣義線性回歸
1) 泊松回歸
2) 邏輯回歸
3) 案例：預(yù)測違約發(fā)生事件數(shù)
第七部份：分類場景之決策樹與隨機(jī)森林
1) 分類樹的基本概念
2) 如何控制模型過擬合
3) 回歸樹的基本概念
4) 隨機(jī)森林
5) 案例：信用卡的欺詐識(shí)別
第八部份：分類場景之支持向量機(jī)
1) 從線性可分說起
2) 對偶問題
3) 巧妙的核函數(shù)
4) 軟間隔：妥協(xié)的藝術(shù)
5) SMO算法詳解
6) 案例：信用卡的欺詐識(shí)別
第九部份：聚類場景之K均值聚類與K鄰近聚類
1) K均值聚類：物以類聚、人以群分
2) K鄰近聚類：近朱者赤、近墨者黑
3) 案例：信貸客群的聚類分析
第十部份：一統(tǒng)江湖之神經(jīng)網(wǎng)絡(luò)模型與深度學(xué)習(xí)模型
1) 神經(jīng)網(wǎng)絡(luò)模型的基本框架
2) 反向傳播算法
3) 深度學(xué)習(xí)模型
4) TensorFlow的使用
5) 案例：信用卡的欺詐識(shí)別
第十一部份：模型性能評(píng)估
1) 回歸模型的精度刻畫
2) 分類模型的精度刻畫
3) 案例：信用卡的欺詐識(shí)別
第十二部份：走近經(jīng)典
1) EM算法
2) MCMC算法
3) 主成分分析
4) 案例：信用卡的欺詐識(shí)別模型中的降維
第十三部份：被忽視的也是最重要的
1) 數(shù)據(jù)質(zhì)量檢驗(yàn)
2) 特征工程
3) 案例：信用卡的欺詐識(shí)別
|
合作伙伴與授權(quán)機(jī)構(gòu)
總部李老師
