金融行业数据分析业务深层次挖掘-2018XX学院 - IT码上发视频教程

1.数据分析的基本概念
  a.目的
  b.数据获取和清理
  c.数据的描述性统计
2.数据可视化
3.数据分析的常用模型
  a.监督式模型:（广义）线性回归，决策树，随机森林，支持向量机，神经网络
  b.非监督式模型:聚类分析，因子分析，主成分分析
  c.半监督式模型
4.数据分析的常用工具
  a.R和Python
第二课:银行内客户流失预警模型的介绍（2课时）
1.银行客群和产品的类别
2.为什么要做客户流失预警模型
3.数据介绍和描述
第三课:金融客户流失预警模型中的数据预处理和特征衍生（2课时）
1.流失数据中的极端值和缺失值的处理
2.构建流失行为的特征
第四课:GBDT模型在流失预警模型中的应用（2课时）
1.GBDT模型如何应用在金融客户流失预警模型中
2.如何从客户流失数据中推导GBDT模型的参数
3.GBDT模型对防范客户流失的指导意义
第五课:神经网络模型在流失预警模型中的应用（2课时）

1.神经网络模型如何应用在金融客户流失预警模型中
2.如何从客户流失数据中推导神经网络模型的参数
3.神经网络模型对防范客户流失的指导意义
4.神经网络模型和GBDT模型在客户流失预警工作中的功效比较
第六课:信用卡账户违约预测模型的介绍（2课时）
1.信贷违约的基本概念
2.为什么要做违约预测模型
3.信贷违约预测模型的特性
4.数据介绍和描述
5.非平衡样本问题的定义和解决方法
  a.过抽样和欠抽样
  b.SMOTE算法
第七课:违约预测模型中的数据预处理和特征衍生（2课时）
1.构建信用风险类型的特征
2.特征的分箱
  a.分箱的优点
  b.Best-KS分箱法和卡方分箱法
3.特征信息度的计算
第八课:违约预测模型中的数据预处理和特征衍生（续，2课时）
1.分箱后如何编码
  a.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
第九课:逻辑回归模型在违约预测模型中的应用（2课时）
1.逻辑回归在违约预测模型中的作用的概述
2.降维的方法
  a.主成分法
3.变量选择的方法
  a.LASSO方法
  b.逐步回归法
  c.随机森林法
4.带误判惩罚的逻辑回归模型
第十课:违约预测模型的评价标准（2课时）
1.模型对违约与非违约人群的区分度
2.模型的准确度衡量:
  a.尽可能抓住足够多的违约人群
  b.尽可能不误抓非违约人群