آموزش جامع ساخت کارت امتیاز ریسک اعتباری (Credit Risk Scorecard) با پایتون - آخرین آپدیت

دانلود Developing Credit Risk Scorecard using Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: مدل‌سازی کارت امتیاز ریسک اعتباری: راهنمای گام‌به‌گام ساخت و اعتبارسنجی مدل‌های ریسک با استفاده از پایتون در این دوره، مبانی مدل‌سازی ریسک اعتباری و توسعه کارت امتیاز (Scorecard) را به‌طور کامل درک خواهید کرد. استفاده از کتابخانه‌های پیشرفته پایتون (مانند Pandas، Scikit-learn، NumPy و Matplotlib) برای مدیریت داده‌ها، ساخت مدل و بصری‌سازی را می‌آموزید. توسعه کارت‌های امتیاز ریسک اعتباری را با استفاده از تکنیک‌های کاربردی و واقعی پیاده‌سازی می‌کنید. آموزش عمیق آماده‌سازی داده‌ها (Data Preparation). یادگیری گام‌به‌گام جریان فرآیند توسعه، اعتبارسنجی و کالیبراسیون مدل از صفر. پیاده‌سازی متدهای ضروری مدل‌سازی مانند رگرسیون لجستیک برای پیش‌بینی احتمال نکول (Default Probability). پیش‌پردازش، پاک‌سازی و تحلیل داده‌های اعتباری برای ایجاد مدل‌های پیش‌بینی قدرتمند. اعتبارسنجی و ارزیابی عملکرد مدل‌ها با استفاده از معیارهای استاندارد صنعت. پیش‌نیازها: اشتیاق و علاقه به یادگیری مهارت‌های جدید سیستم کامپیوتری با دسترسی به اینترنت نصب پایتون (ترجیحاً همراه با کتابخانه‌های Pandas، NumPy و Scikit-learn) آشنایی اولیه با مفاهیم ریسک اعتباری (مانند احتمال نکول و کارت‌های امتیاز اعتباری) آشنایی با برنامه‌نویسی پایتون (دانش پایه در مورد سینتکس، متغیرها و ساختارهای داده) نصب Jupyter Notebook بر روی سیستم

این دوره جامع طراحی شده است تا شرکت‌کنندگان را با مهارت‌های عملی در ساخت و اعتبارسنجی مدل‌های ریسک اعتباری با استفاده از پایتون، با تمرکز بر توسعه و اجرای کارت‌های امتیاز تجهیز کند. این دوره ترکیبی از تئوری و کاربردهای عملی برای توسعه، اعتبارسنجی و کالیبراسیون کارت‌های امتیاز ریسک اعتباری است.

در این دوره، مفاهیم بنیادی ریسک اعتباری، متدولوژی‌های گام‌به‌گام برای توسعه کارت‌های امتیاز رفتاری با پایتون و پیاده‌سازی تکنیک‌های آماری ضروری برای امتیازدهی اعتباری شامل رگرسیون لجستیک، ضریب جینی (Gini)، تحلیل ROC، رتبه‌بندی (Rank Ordering)، وزن شواهد (WOE) و دسته‌بندی‌های Fine و Coarse را خواهید آموخت.

همچنین مهارت‌های مدیریت و تحلیل داده‌ها، برخورد با داده‌های گمشده (Missing Data)، داده‌های پرت (Outliers) و تبدیل متغیرها برای آماده‌سازی داده‌ها جهت مدل‌سازی را کسب می‌کنید. علاوه بر این، با تکنیک‌های مختلف اعتبارسنجی داخلی کارت‌های امتیاز، از جمله Back-testing، بنچ‌مارک و کالیبراسیون آشنا می‌شوید.

در طول دوره، یاد می‌گیرید که چگونه از کتابخانه‌های قدرتمند پایتون مانند Pandas، Scikit-learn، NumPy و Matplotlib برای مدل‌سازی ریسک اعتباری بهره ببرید. این ابزارها به شما کمک می‌کنند تا استحکام، دقت و کارایی را در توسعه و اعتبارسنجی کارت‌های امتیاز ریسک اعتباری تضمین کنید.

این دوره برای تحلیلگران اعتباری، مدیران ریسک، کنترلرهای مالی و تمامی متخصصان حوزه مالی که در ارزیابی ریسک فعالیت می‌کنند و قصد دارند مهارت‌های مدل‌سازی خود را با پایتون ارتقا دهند، ایده‌آل است.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

ساختار طراحی مدل Model Design Structure

  • پارامترهای طراحی مدل Model Design Parameters

  • موارد استثنا (Exclusions) Exclusions

  • متغیرهای مجموعه داده Dataset Variables

  • عوامل پارامترهای طراحی مدل Factors of Model Design Parameters

  • درک کسب‌وکار و تعریف مسئله Business Understanding and Problem Statement

  • نمونه فیلدهای داده Sample Data Fields

  • تحلیل Vintage Vintage Analysis

  • تحلیل نرخ انتقال (Roll Rate) Roll Rate Analysis

  • مبانی مفهومی مدل‌سازی ریسک اعتباری Conceptual Foundations of Credit Risk Modeling

توسعه مدل Model Development

  • الگوریتم توسعه کارت امتیاز Algorithm for Scorecard Development

  • اکتشاف و پیش‌پردازش داده‌ها Data Exploration and Preprocessing

  • اهمیت ارزش اطلاعات (Information Value) Importance of Information Value

  • درک دسته‌بندی Fine و Coarse Understanding Fine and Coarse Classing

  • مثال از دسته‌بندی Fine و Coarse Example of Fine and Coarse Classing

  • محدوده ارزش اطلاعات (IV Range) Information Value Range

  • دسته‌بندی Fine (دقیق) Fine Classing

  • تفسیر خروجی دسته‌بندی Fine Fine Classing Output Interpretation

  • دسته‌بندی Coarse (کلی) Coarse Classing

  • پیاده‌سازی دسته‌بندی Coarse متغیرها در Jupyter Notebook Coarse Classing of Variables in Jupyter Notebook

  • ایجاد متغیرهای WOE Creating WOE Variables

  • بررسی هم‌خطی با استفاده از متغیرهای تبدیل شده WOE (تحلیل VIF) Checking Multicollinearity using WOE Transformed Variables (VIF Analysis)

  • توسعه مدل رگرسیون لجستیک با متغیرهای WOE Logistic Regression Model Development using WOE Variables

  • جفت‌های هم‌سو، ناهم‌سو و برابر (Concordant, Discordant and Tied) Concordant, Discordant and Tied Pairs

  • تفسیر خروجی مدل در جفت‌های هم‌سو و ناهم‌سو Concordant, Discordant and Tied Pairs - Model Output Interpretation

  • معیارهای تفکیک مدل: آماره C (AUC) و Somer’s D Model Discrimination Metrics: C-Statistic (AUC) & Somer’s D

  • رتبه‌بندی (Rank Ordering) Rank Ordering

  • آماره Kolmogorov Smirnov (KS) و ضریب جینی Kolmogorov Smirnov (KS) Statistic and Gini Coefficient

  • توضیح دقت (Accuracy) و صحت (Precision) با ماتریس اغتشاش Accuracy and Precision Explained with Confusion Matrix

  • تست Hosmer Lemeshow (سنجش برازش) Hosmer Lemeshow Test ( Goodness of Fit )

  • بررسی خوشه‌بندی (Clustering Check) Clustering Check

  • توسعه مدل ریسک اعتباری با استفاده از پایتون Model Development in Credit Risk Modeling Using Python

اعتبارسنجی و کالیبراسیون مدل Model Validation and Calibration

  • متدولوژی‌های اعتبارسنجی مدل Model Validation Methodologies

  • امتیاز Brier (Brier Score) Brier Score

نمایش نظرات

آموزش جامع ساخت کارت امتیاز ریسک اعتباری (Credit Risk Scorecard) با پایتون
جزییات دوره
6 hours
32
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
71
4.3 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Subhashish Ray Subhashish Ray

دارای گواهی B.E (E&E)، MBA (مالی)، PRM، SAS و Tableau