课程简介：
在信贷风控领域，随着大数据、计算机集群技术、网络技术和人工智能的发展，越来越多的金融机构将传统的策略风控手段转向依赖机器学习模型等量化手段。信贷环节中的审批、预警、催收以及营销等诸多场景也适合机器学习模型的应用。机器学习模型的发展离不开数学、统计、概率、计算机理论等基础知识。本课程将从较为基础的统计和概率入手，展现如何从从基础知识入门进而掌握较为先进的机器学习模型，从而构建简单但实用的风控模型。
此外，编程能力也是风控模型搭建中必不可少的能力。本系列课程将实用功能强大、入门简单的Python语言。在Python中既有丰富的开源包可以使用，也可以定制化地开发有针对性的模块来构建风控模型。
课程大纲：
第一课：初等概率论
1) 离散随机变量与离散分布
2) 连续随机变量与连续分布
3) 条件概率与贝叶斯公式
4) 马尔科夫矩阵
5) 案例：信贷违约的转移矩阵
第二课：初等统计理论
1) 假设检验
2) 参数估计
3) 线性回归
4) 案例：性别对信贷违约的影响
第三课：数据分析师的养成计划
1) 业务背景
2) 数据搜集与整理
3) 数据可视化与数据报表
4) 案例：信贷违约预测中的数据可视化
第四课：python的介绍和入门
1) python语法
2) pandas，numpy，statsmodels，sklearn等常用包
3) 案例：pandas中的数据切片
第五课：时间序列模型的应用
1) AR模型
2) MA模型
3) ARIMA模型
4) 其他常见的时间序列模型
5) 案例：从股票收益率的预测说起
第六课：广义线性回归
1) 泊松回归
2) 逻辑回归
3) 案例：预测违约发生事件数
第七课：分类场景之决策树与随机森林
1) 分类树的基本概念
2) 如何控制模型过拟合
3) 回归树的基本概念
4) 随机森林
5) 案例：信用卡的欺诈识别
第八课：分类场景之支持向量机
1) 从线性可分说起
2) 对偶问题
3) 巧妙的核函数
4) 软间隔：妥协的艺术
5) SMO算法详解
6) 案例：信用卡的欺诈识别
第九课：聚类场景之K均值聚类与K邻近聚类
1) K均值聚类：物以类聚、人以群分
2) K邻近聚类：近朱者赤、近墨者黑
3) 案例：信贷客群的聚类分析
第十课：一统江湖之神经网络模型与深度学习模型
1) 神经网络模型的基本框架
2) 反向传播算法
3) 深度学习模型
4) TensorFlow的使用
5) 案例：信用卡的欺诈识别
第十一课：模型性能评估
1) 回归模型的精度刻画
2) 分类模型的精度刻画
3) 案例：信用卡的欺诈识别
第十二课：走近经典
1) EM算法
2) MCMC算法
3) 主成分分析
4) 案例：信用卡的欺诈识别模型中的降维
第十三课：被忽视的也是最重要的
1) 数据质量检验
2) 特征工程
3) 案例：信用卡的欺诈识别
授课时间：
课程将于2019年5月10日开课，课程持续时间大约为15周。
授课对象：
对信贷风控业务有需求，但是算法基础和编程能力较薄弱的学员
预期收获：
熟悉常用的风控算法，能编写程序进行模型训练
授课讲师：
晓风，硕士毕业于全球top10的统计系，在银行、互金等领域有超过8年的工作经验，在PNAS等核心刊物上发表多篇数据分析领域的文章，带领团队负责多个风控模型的开发与落地工作。
新颖的课程收费形式：“逆向收费”约等于免费学习，仅收取100元固定收费+300元暂存学费，学习圆满则全额奖励返还给学员！
本门课程本来打算完全免费，某位大神曾经说过“成功就是正确的方向再加上适度的压力”。考虑到讲师本身要付出巨大的劳动，为了防止一些朋友在学习途中半途而废，浪费了讲师的付出，为此我们计划模仿某些健身课程，使用“逆向收费”的方法。
在报名时每位报名者收取400元，其中100元为固定 收费，另外300是暂存学费，即如果学员能完成全部课程要求，包括完成全部的书面和互动作业，则300元全款退回，优秀的学员还可以获得礼品 奖励。如果学员未能坚持到完全所有的学习计划任务，则会被扣款。期望这种方式可以转化为大家强烈的学习愿望和驱动力！
课程授课方式：
1、 学习方式：老师发布教学资料、教材，幻灯片和视频，学员通过网络下载学习。同时通过论坛互动中老师对学员进行指导及学员之间相互交流。
2、 学习作业：老师每周布置书面及互动作业，学员需按时按质完成作业。
3、 老师辅导：根据作业批改中发现的问题，针对性给予辅导，帮助大家掌握知识。
4、 结业测验：通过测验，完成学业。
咨询QQ： 2222010006 (上班时间在线）
技术热点、 行业资讯，培训课程信息，尽在炼数成金官方微信，低成本传递高端知识！技术成就梦想！欢迎关注！
打开微信，使用扫一扫功能，即刻关注炼数成金官方微信账户，不容错过的精彩，期待您的体验！！！
| 
发表于 2018-6-21 16:19
发表于 2019-5-13 08:26
