机器学习如何与传统行业结合?金融领域可能是最大风口
2017-11-30 00:00
555 查看
微信公众号
关键字全网搜索最新排名
【机器学习算法】:排名第一
【机器学习】:排名第一
【Python】:排名第三
【算法】:排名第四
《金融信贷风控的机器学习实战》
原价 ¥
899.00
拼团已达最低价 ¥
399.00
点击文末阅读原文参团
![](http://ss.csdn.net/p?http://mmbiz.qpic.cn/mmbiz_png/dHr5jWLaicW8QjTmM0c5Dib7pxqZC91pPIAdZxcu4JrticlWpxIKZdf3W6tMHbNzD9lS6owBjvVVM2EvyamvlyRRw/?wxfrom=5&wx_lazy=1)
课程名称
《金融信贷风控的机器学习实战》(七天无理由退款)
主讲老师
田野:
硕士毕业于新加坡国立大学统计专业。先后在国内外的银行、互联网金融公司工作,有丰富的银行、互联网金融的数据分析经验。期间负责信用风控量化模型的开发,主要用统计模型和机器学习模型对贷款的违约风险和损失进行预测。此外,对银行客群的行为分析也有相关经验,包括流失预警和消费预测等业务场景。
面向人群
1. 对金融业感兴趣,想从事银行业、互联网金融行业风控业务
2. 金融行业数据分析从业人员,并且有一定的数据分析基础和编程能力的学员
学习收益
1. 熟悉金融行业业务,助力快速适应金融行业数据分析
2. 掌握风控业务中的违约预测技术,熟悉构建怎样的特征和模型来降低信贷业务中的违约损失
开课时间
2017年12月6日
学习方式
在线直播,共10次课,每次2小时
每周2次(周三、五,20:00 - 22:00)
直播后提供录制回放视频,可在线反复观看,有效期1年
课程大纲
第一课:互联网金融业申请评分卡的介绍
1. 信贷违约的基本概念
2. 申请评分卡在互联网金融业的重要性和特性
3. 贷款申请环节的数据介绍和描述
4. 非平衡样本问题的定义和解决方法
5. 过抽样和欠抽样,SMOTE算法
第二课:申请评分卡中的数据预处理和特征衍生
1. 构建信用风险类型的特征
2. 特征的分箱
分箱的优点
Best-KS分箱法和卡方分箱法
3. 特征信息度的计算和意义
第三课:申请评分卡中的数据预处理和特征衍生(续)
1. 特征分箱后如何编码
WOE的概念、优点和计算
2. 信用风险中的单变量分析和多变量分析
第四课:逻辑回归模型在申请评分卡中的应用
1. 逻辑回归在申请评分卡中的作用的概述
2. 降维的方法
主成分法
3. 变量选择的方法
LASSO方法
逐步回归法
随机森林法
第五课:评分卡模型的评价标准
1. 模型对违约与非违约人群的区分度:KS
2. 模型的准确度衡量:AR
尽可能抓住足够多的违约人群
尽可能不误抓非违约人群
3. 评分卡模型其他常用的评价指标
PSI
Kendal’s Tau
第六课:行为评分卡模型的介绍
1. 行为评分卡的基本概念
2. 行为评分卡的特征构造
3. 行为评分卡模型的开发
第七课:催收评分卡(还款率)模型的介绍
1. 催收评分卡的基本概念
2. 还款率模型的特征构造
3. 还款率模型的开发
第八课:机器学习模型用于评分卡模型-GBDT
1. GBDT模型如何应用在违约预测模型中
2. 如何从违约数据中推导GBDT模型的参数
3. GBDT模型对防范客户违约的指导意义
第九课:深度学习模型用于评分卡模型
1. 深度学习模型如何应用在违约预测模型中
2. 如何从客户违约数据中推导深度学习模型的参数
3. 深度学习模型对防范客户违约的指导意义
4. 深度学习模型和GBDT模型在违约预测工作中的功效比较
第十课:前沿研究-组合评分卡模型
1. 组合模型概述
2. 串行结构的评分组合模型
3. 异态并行结构的评分组合模型
4. 同态并行结构的评分组合模型
常见问题
Q: 会有实际上机演示和动手操作吗?
A: 有,几乎每节课,老师均会准备上机演示部分,学员可以学习老师的实践经验。
Q: 参加本门课程有什么要求?
A: 了解线性代数,微积分,概率论与数理统计,以及有一定R/Python编程基础
参团,咨询,查看课程,请点击【阅读原文】
↓↓↓
关键字全网搜索最新排名
【机器学习算法】:排名第一
【机器学习】:排名第一
【Python】:排名第三
【算法】:排名第四
《金融信贷风控的机器学习实战》
原价 ¥
899.00
拼团已达最低价 ¥
399.00
点击文末阅读原文参团
课程名称
《金融信贷风控的机器学习实战》(七天无理由退款)
主讲老师
田野:
硕士毕业于新加坡国立大学统计专业。先后在国内外的银行、互联网金融公司工作,有丰富的银行、互联网金融的数据分析经验。期间负责信用风控量化模型的开发,主要用统计模型和机器学习模型对贷款的违约风险和损失进行预测。此外,对银行客群的行为分析也有相关经验,包括流失预警和消费预测等业务场景。
面向人群
1. 对金融业感兴趣,想从事银行业、互联网金融行业风控业务
2. 金融行业数据分析从业人员,并且有一定的数据分析基础和编程能力的学员
学习收益
1. 熟悉金融行业业务,助力快速适应金融行业数据分析
2. 掌握风控业务中的违约预测技术,熟悉构建怎样的特征和模型来降低信贷业务中的违约损失
开课时间
2017年12月6日
学习方式
在线直播,共10次课,每次2小时
每周2次(周三、五,20:00 - 22:00)
直播后提供录制回放视频,可在线反复观看,有效期1年
课程大纲
第一课:互联网金融业申请评分卡的介绍
1. 信贷违约的基本概念
2. 申请评分卡在互联网金融业的重要性和特性
3. 贷款申请环节的数据介绍和描述
4. 非平衡样本问题的定义和解决方法
5. 过抽样和欠抽样,SMOTE算法
第二课:申请评分卡中的数据预处理和特征衍生
1. 构建信用风险类型的特征
2. 特征的分箱
分箱的优点
Best-KS分箱法和卡方分箱法
3. 特征信息度的计算和意义
第三课:申请评分卡中的数据预处理和特征衍生(续)
1. 特征分箱后如何编码
WOE的概念、优点和计算
2. 信用风险中的单变量分析和多变量分析
第四课:逻辑回归模型在申请评分卡中的应用
1. 逻辑回归在申请评分卡中的作用的概述
2. 降维的方法
主成分法
3. 变量选择的方法
LASSO方法
逐步回归法
随机森林法
第五课:评分卡模型的评价标准
1. 模型对违约与非违约人群的区分度:KS
2. 模型的准确度衡量:AR
尽可能抓住足够多的违约人群
尽可能不误抓非违约人群
3. 评分卡模型其他常用的评价指标
PSI
Kendal’s Tau
第六课:行为评分卡模型的介绍
1. 行为评分卡的基本概念
2. 行为评分卡的特征构造
3. 行为评分卡模型的开发
第七课:催收评分卡(还款率)模型的介绍
1. 催收评分卡的基本概念
2. 还款率模型的特征构造
3. 还款率模型的开发
第八课:机器学习模型用于评分卡模型-GBDT
1. GBDT模型如何应用在违约预测模型中
2. 如何从违约数据中推导GBDT模型的参数
3. GBDT模型对防范客户违约的指导意义
第九课:深度学习模型用于评分卡模型
1. 深度学习模型如何应用在违约预测模型中
2. 如何从客户违约数据中推导深度学习模型的参数
3. 深度学习模型对防范客户违约的指导意义
4. 深度学习模型和GBDT模型在违约预测工作中的功效比较
第十课:前沿研究-组合评分卡模型
1. 组合模型概述
2. 串行结构的评分组合模型
3. 异态并行结构的评分组合模型
4. 同态并行结构的评分组合模型
常见问题
Q: 会有实际上机演示和动手操作吗?
A: 有,几乎每节课,老师均会准备上机演示部分,学员可以学习老师的实践经验。
Q: 参加本门课程有什么要求?
A: 了解线性代数,微积分,概率论与数理统计,以及有一定R/Python编程基础
参团,咨询,查看课程,请点击【阅读原文】
↓↓↓
相关文章推荐
- 金融服务领域是IT行业最大的收入来源
- 【转】【互联网颠覆传统行业的巿场如何才能做好?】互联网执行力的生动实践:一款软硬结合产品“迭代”诞生的创业者手记
- “传统金融行业如何拥抱互联网”研讨会近日在深圳举行
- 开发者如何掌握机器学习?传统方法可能都走了弯路【转载】
- 机器学习如何应用于金融领域?
- .NET领域驱动设计―看DDD是如何运用设计模式颠覆传统架构
- 结合了人工客服和AI的Fin,可能是Siri最大的竞争对手
- 从门外汉到COO:关于在互联网行业如何做运营,这可能是最真诚的一篇分享了
- 传统行业如何做好电子商务(分享)
- 金融领域如何基于大数据做风控
- 技术人员如何跟传统行业打交道?
- [互联网冲击]网购打残 百丽叹没办法 传统行业该如何面对
- Hadoop十大应用领域--从互联网行业到传统行业
- 互联网将如何颠覆这17个传统行业
- 回Rogeric的《降级论》:互联网男如何进入传统行业
- Hadoop十大应用领域--从互联网行业到传统行业
- 如何成为自己所在领域内前1%的顶尖人才? 凤凰科技 09-29 07:42 原标题:如何成为自己所在领域内前1%的顶尖人才? 有时你会觉得,可能你永远也实现自己的梦想。你清楚地知道自己想做什么,但有
- 商业智能下,金融行业如何利用起来?
- 可能是计算机理论领域十年来最大的突破