Python金融大數(shù)據(jù)風(fēng)控建模實(shí)戰(zhàn)：基于機(jī)器學(xué)習(xí)

前言
第1篇 智能風(fēng)控背景
第1章 金融科技介紹
1．1 金融科技的前世今生
1．2 金融科技正深刻地改變和塑造著金融業(yè)態(tài)
1．3 新興科技不斷強(qiáng)化金融科技的應(yīng)用能力
1．4 金融風(fēng)險(xiǎn)控制面臨著的挑戰(zhàn)
1．5 智能風(fēng)控和評(píng)分卡
1．6 評(píng)分卡模型的開(kāi)發(fā)流程
第2章 機(jī)器學(xué)習(xí)介紹
2．1 機(jī)器學(xué)習(xí)的概念
2．2 機(jī)器學(xué)習(xí)的分類(lèi)
2．2．1 有監(jiān)督學(xué)習(xí)
2．2．2 無(wú)監(jiān)督學(xué)習(xí)
2．2．3 強(qiáng)化學(xué)習(xí)
2．3 機(jī)器學(xué)習(xí)與人工智能的關(guān)系
2．4 機(jī)器學(xué)習(xí)與數(shù)學(xué)的關(guān)系
2．5 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)
第3章 評(píng)分卡模型介紹
3．1 申請(qǐng)?jiān)u分卡
3．1．1 數(shù)據(jù)獲取
3．1．2 好壞樣本定義
3．1．3 觀察期與表現(xiàn)期確定
3．1．4 樣本分層
3．1．5 數(shù)據(jù)清洗與預(yù)處理
3．1．6 特征工程
3．1．7 模型訓(xùn)練與優(yōu)化
3．2 行為評(píng)分卡
3．2．1 數(shù)據(jù)獲取
3．2．2 時(shí)間窗口
3．2．3 特征工程
3．3 催收評(píng)分卡
3．3．1 催收評(píng)分卡分類(lèi)
3．3．2 催收策略
3．4 反欺詐模型
3．4．1 欺詐風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)比較
3．4．2 欺詐模型好壞樣本定義
3．4．3 欺詐主體分析
3．4．4 反欺詐方法介紹
第2篇 評(píng)分卡理論與實(shí)戰(zhàn)基礎(chǔ)
第4章 數(shù)據(jù)清洗與預(yù)處理
4．1 數(shù)據(jù)集成
4．2 數(shù)據(jù)清洗
4．3 探索性數(shù)據(jù)分析
4．4 Python代碼實(shí)踐
4．4．1 數(shù)據(jù)集成
4．4．2 數(shù)據(jù)清洗
4．4．3 探索性數(shù)據(jù)分析
第5章 變量編碼方法
5．1 無(wú)監(jiān)督編碼
5．1．1 One-hot編碼
5．1．2 Dummy variable編碼
5．1．3 Label編碼
5．2 有監(jiān)督編碼
5．2．1 WOE編碼
5．2．2 WOE編碼與One-hot編碼比較
5．3 Python代碼實(shí)踐
5．3．1 One-hot編碼
5．3．2 Dummy variable編碼
5．3．3 Label編碼
5．3．4 WOE編碼
第6章 變量分箱方法
6．1 變量分箱流程
6．2 優(yōu)Chi-merge卡方分箱方法
6．3 Best-KS分箱方法
6．4 優(yōu)IV分箱方法
6．5 基于樹(shù)的優(yōu)分箱方法
6．6 Python代碼實(shí)踐
6．6．1 優(yōu)Chi-merge分箱
6．6．2 優(yōu)IV分箱
6．6．3 基于樹(shù)的分箱
第7章 變量選擇
7．1 過(guò)濾法變量選擇
7．2 包裝法變量選擇
7．3 嵌入法變量選擇
7．4 Python代碼實(shí)踐
7．4．1 過(guò)濾法變量選擇
7．4．2 包裝法變量選擇
7．4．3 嵌入法變量選擇
第8章 Logistic回歸模型
8．1 Logistic回歸模型原理
8．2 過(guò)擬合與欠擬合
8．3 Python代碼實(shí)踐
第9章 模型的評(píng)估指標(biāo)
9．1 正負(fù)樣本的選擇
9．2 標(biāo)準(zhǔn)評(píng)估指標(biāo)
9．3 概率密度評(píng)估指標(biāo)
9．4 概率分布評(píng)估指標(biāo)
9．5 Python代碼實(shí)踐
第10章 評(píng)分卡分?jǐn)?shù)轉(zhuǎn)化
10．1 由概率到分?jǐn)?shù)的轉(zhuǎn)換
10．2 變量的分值計(jì)算
10．3 評(píng)分卡性能評(píng)估
10．4 Python代碼實(shí)踐
第11章 模型在線監(jiān)控
11．1 穩(wěn)定性監(jiān)控
11．2 單調(diào)性監(jiān)控
11．3 性能監(jiān)控指標(biāo)
11．4 Python代碼實(shí)踐
第3篇 評(píng)分卡理論與實(shí)戰(zhàn)進(jìn)階
第12章 樣本不均衡處理
12．1 數(shù)據(jù)層下采樣樣本不均衡的處理方法
12．1．1 隨機(jī)下采樣方法
12．1．2 樣本鄰域選擇的下采樣方法
12．1．3 樣本鄰域清理的下采樣方法
12．1．4 Bagging集成的下采樣方法
12．1．5 Boosting集成的下采樣方法
12．2 數(shù)據(jù)層上采樣樣本不均衡的處理方法
12．2．1 隨機(jī)上采樣方法
12．2．2 SMOTE樣本生成方法
12．2．3 Borderline-SMOTE樣本生成方法
12．3 算法層樣本不均衡的處理方法
12．4 模型評(píng)估層樣本不均衡的處理方法
12．5 Python代碼實(shí)踐
12．5．1 數(shù)據(jù)層下采樣樣本不均衡處理代碼實(shí)現(xiàn)
12．5．2 數(shù)據(jù)層上采樣樣本不均衡處理代碼實(shí)現(xiàn)
第13章 特征工程進(jìn)階
13．1 數(shù)據(jù)層特征工程
13．2 算法層特征工程
13．2．1 基于樹(shù)模型的特征生成
13．2．2 FM特征交
13．3 Python代碼實(shí)踐
13．3．1 數(shù)據(jù)層特征工程代碼實(shí)現(xiàn)
13．3．2 算法層特征工程代碼實(shí)現(xiàn)
第14章 決策樹(shù)模型
14．1 決策樹(shù)模型的原理
14．2 決策樹(shù)學(xué)習(xí)
14．3 決策樹(shù)與過(guò)擬合
14．4 Python代碼實(shí)踐
第15章 神經(jīng)網(wǎng)絡(luò)模型
15．1 神經(jīng)元模型
15．2 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)
15．3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)策略
15．4 Python代碼實(shí)踐
第16章 支持向量機(jī)模型
16．1 感知器模型
16．1．1 感知器模型的原理
16．1．2 感知器與支持向量機(jī)模型
16．2 線性可分支持向量機(jī)
16．3 線性支持向量機(jī)
16．4 非線性支持向量機(jī)
16．5 感知器相關(guān)模型比較
16．6 Python代碼實(shí)踐
16．6．1 線性支持向量機(jī)模型代碼實(shí)現(xiàn)
16．6．2 非線性支持向量機(jī)模型代碼實(shí)現(xiàn)
第17章 集成學(xué)習(xí)
17．1 Bagging與Boosting對(duì)比
17．2 Random Forest模型原理
17．3 Adaboost模型原理
17．4 GBDT模型原理
17．5 Xgboost模型原理
17．6 Python代碼實(shí)踐
17．6．1 Random Forest模型
17．6．2 Adaboost模型
17．6．3 GBDT模型
17．6．4 Xgboost模型
第18章 模型融合
18．1 Blending方法原理
18．2 Stacking方法原理
18．3 Python代碼實(shí)踐
18．3．1 Blending模型融合代碼實(shí)現(xiàn)
18．3．2 Stacking模型融合代碼實(shí)現(xiàn)
第4篇 Lending Club數(shù)據(jù)集實(shí)戰(zhàn)
第19章 完整的模型開(kāi)發(fā)實(shí)現(xiàn)
19．1 數(shù)據(jù)源介紹
19．2 數(shù)據(jù)的獲取與預(yù)處理
19．2．1 數(shù)據(jù)準(zhǔn)備
19．2．2 好壞樣本定義
19．2．3 數(shù)據(jù)清洗與預(yù)處理
19．3 特征工程
19．3．1 簡(jiǎn)單的特征工程
19．3．2 變量分箱與編碼
19．3．3 變量選擇
19．4 模型構(gòu)建與評(píng)估
19．4．1 模型構(gòu)建與優(yōu)化
19．4．2 模型評(píng)估
19．5 評(píng)分卡生成
附錄A 主要符號(hào)表
附錄B 開(kāi)發(fā)環(huán)境簡(jiǎn)介
參考文獻(xiàn)