天善学院 如何搭建金融信贷风控中的机器学习模型

天亮说晚安

课程介绍：
风控是金融业务的核心组成部分，而信贷风控又是整个风控领域体量最大、挑战最大的类型。传统的信贷风控主要靠资深从业人员依靠自身的经验设置的专家规则。随着统计学、大数据、机器学习的发展，现代信用风控越来越偏向量化模型的手段来得以解决风控问题。

& E) Z3 S2 ], K6 V: r本课程使用真实场景下的信贷违约数据，从基础的数据分析开始，一步步构建依赖逻辑回归、XGBoost、神经网络模型等方法的风控模型。同时，本课程也会展示信贷风控领域中经常面临的挑战和相应的解决方法。从第三节课开始，每节课都会在真实数据的基础上完成本章节的模块设计。
2 K: p& G6 G) L$ M* X) s& a# v
+ T$ U: Y: N& a2 u! A$ q课程目录：
章节1： 数据分析与建模的基础知识
0 {  a( Z# A& K) ~9 y  课时1：数据分析的基本概念 23:50
9 l5 Z: ?. J- [, g" u9 Z- [  课时2：数据可视化 15:17
: F# P* P) l2 J% N" g) x" J  课时3：数据分析的常用模型 18:35
  课时4：数据分析的常用工具 03:28
* g! g' R- |; Y! v$ C; ~章节2： 互联网金融和信贷风控的概述
) D. O& F  t$ y- o3 B+ o! C  课时5：互联网金融简介和特点 13:58
/ `7 ]7 g* c8 M2 t  课时6：互联网金融的主要模式 17:11
  课时7：常见的个人信贷产品 19:11
  课时8：个贷产品中的风险（上） 20:40
. ~$ n& t' q  J6 j/ q  课时9：个贷产品中的风险（下） 12:50
章节3： 评分卡模型（A卡）：数据的预处理与特征构建
5 l  c$ q) K; h. ]: w  课时10：评分卡模型简介 19:43
4 K9 }+ S& O+ F. `3 b. U' a( g6 D( T  课时11：特征构造 19:39
' p3 c' j$ ?$ Z4 t* l3 H- z% N+ Y  课时12：数据的质量检验 29:53
' V1 i# t6 H$ d) [5 A7 {6 F1 k- @" Z( ^  课时13：代码实现 11:42
章节4： 评分卡模型（A卡）：数据的预处理与特征构建（续）
8 j6 `3 D" [; P" g  课时14：特征的分箱 48:13
  课时15：特征信息值与数值编码、单变量分析 、多变量分析 36:00
7 z$ f7 b. M9 O# @  课时16：概念补充说明 17:57
  课时17：代码实现 43:41
- z, |7 V9 b7 e# [0 I5 U6 s% j9 @章节5： Logistic Regression（LR）在评分卡模型中的应用
6 E$ ]1 U+ y6 z2 t, B. B) r9 `: V  课时18：逻辑回归模型的基本概念 35:00
  课时19：基于LR模型的评分卡构建工作 22:14
- l; k1 Y  A' m8 U9 A( Q: F  课时20：尺度化2 07:31
! D1 r! c7 c+ O- L. T' m章节6： 模型的验证、监控与调优
  课时21：模型的区分度与预测性 28:40
* b  @2 B0 ?# l) a, E  课时22：模型的平稳性、模型调优以及代码讲解 29:15
章节7： 机器学习模型在信贷风控中的应用二：DNN模型
  课时23：神经网络模型的概述、激活函数与损失函数 26:40
1 c  |5 D0 m$ e* {. {6 Q0 Q  课时24：反向传播法 23:34
  课时25：实际案例 14:58
  课时26：代码讲解 05:31
+ E- G; S. t' U2 s0 z# q章节8： 机器学习模型在信贷风控中的应用一：XGBoost模型
  课时27：Gradient Boosting的概念 09:34
' F( e! |- y& k  课时28：GBDT模型简介 22:17
( Z) U2 ~% q& ?* e  课时29：GBDT的升级版：XGBoost 22:59
. c! U5 t3 K/ ^) _# A$ |+ u8 _  课时30：XGBoost模型在信贷风控中的应用 06:35
章节9： 组合模型在评分卡中的应用
  课时31：元模型与集成模型 17:47
+ }( i" ]; j! o" C( t  课时32：Bagging 11:12
5 ?/ ?1 H3 y. X( m; a  课时33：Boosting 13:48
2 s% x2 P& }! O/ d& i9 q$ B! _  课时34：Stacking 13:07
  v" F, N& D0 Y2 a2 H  课时35：案例及代码 13:35
) N  `0 W9 R) n% K4 I章节10： 评分卡模型（B卡）的开发
  课时36：基本概念 20:43
4 C9 w: ^# w  l; C; Q  课时37：特征构造 20:17
  W" b, W( M7 n# E8 ]* e7 j. ^& b6 D  课时38：模型开发 21:34
; k0 C: F: i; V) w' b) e9 {章节11： 评分卡模型中的前沿问题一：标签缺失的处理
$ E7 d( e% O" r9 n7 ~5 a/ b  课时39：标签缺失的定义 08:20
1 F' L) m1 H; {+ Z: R/ K3 K: D  课时40：补全标签的方法（上） 15:50
  课时41：补全标签的方法（下） 18:01
  课时42：案例与代码 12:38
" E- z4 q8 _2 C, I$ h章节12： 评分卡模型中的前沿问题二：非平衡样本的处理
/ }) D2 }5 J5 [' f7 w' T  课时43：过采样与欠采样 15:10
8 x( R0 c" C" {  M  课时44：SMOTE 18:34
! j% i  f. p& s. N' S  ~+ {; }  课时45：样本权重法与案例
  课时38：美国枪击案地图可视化
2 b, P7 V; q: j9 a" j3 r  课时39：常用图形外观调节
  课时40：数据重塑函数总结1
  课时41：数据重塑函数总结2
章节6： 毒蘑菇识别
  课时42：案例变量说明
) s1 j0 [1 m- Q* S2 ]  课时43：数据预处理
  课时44：随机森林建模
1 s  P, a! u5 B( D( S  课时45：回归树建模+可视化决策规则
  课时46：朴素贝叶斯建模
; g0 O8 ^" o1 l7 ~. o" @4 t! c  课时47：特征选择+朴素贝叶斯建模
  课时48：模型评估
2 x' g" ?; J+ P& J  课时49：朴素贝叶斯简介
) c+ Z5 Z6 ~1 Y- y( n9 h' z. `; G章节7： 利用声音数据识别性别
4 d5 |6 b! e% q( A8 b  课时50：案例变量说明
  课时51：绘制密度曲线图查看自变量重要性
" M- g+ Q0 w! t( q3 E5 j% m" h2 Z  课时52：回归树建模方法
  课时53：支持向量机建模
  课时54：特征选择+随机森林建模
! |/ E# }2 ?  {2 l  课时55：多模型ROC曲线对比
  课时56：特征选择介绍
章节8： 垃圾短信识别
1 R/ H* q  V! f; V  课时57：数据变量说明
0 j2 T7 F, Q; |5 Y$ @* N  课时58：重塑数据
5 u: m' r( a; M3 t. n8 @( k  课时59：定义文本处理函数
  课时60：绘制词云图
  课时61：稀疏矩阵计算词频
. t( j. `5 \1 {. I+ Q8 `9 }6 D  课时62：随机森林建模
章节9： 闪电约会
  课时63：数据变量说明
  课时64：探索哪些爱好及职业更受彼此欢迎
  课时65：探索彼此在寻找哪种类型的另一半1
1 I" J8 I  U5 |7 M1 h4 @  d' ?  课时66：探索彼此在寻找哪种类型的另一半2
  课时67：探索相亲者认为同性在寻找哪种类型的另一方
  课时68：探索相亲者认为对方在寻找哪种类型的另一方
8 e  R( u$ q2 K" j: K7 ?& D/ X  课时69：图形输出+条形图+箱线图总结
章节10： Youtube新趋势视频分析
  课时70：变量说明
2 i4 n2 i3 H6 u" l3 b: @  课时71：相关性分析
  课时72：描述性分析1
1 ~. p/ J2 N4 g' B# ~  课时73：描述性分析2
- T+ j! g* X: P& y& ]# f5 Q  课时75：聚类建模

& _, B! H, z, ~$ r+ J- C/ h