Pular para o conteúdo principal
InícioPython

Modelagem de risco de crédito em Python

"Aprenda a preparar dados de solicitação de crédito, aplicar machine learning e regras para reduzir riscos."

Comece O Curso Gratuitamente
4 horas15 vídeos57 exercícios20.533 aprendizesTrophyDeclaração de Realização

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.
Group

Treinar 2 ou mais pessoas?

Tentar DataCamp for Business

Amado por alunos de milhares de empresas


Descrição do Curso

Se você já solicitou um cartão de crédito ou empréstimo, sabe que as empresas financeiras processam suas informações antes de tomar uma decisão. Isso ocorre porque a concessão de um empréstimo a você pode ter um sério impacto financeiro nos negócios da empresa. Mas como eles tomam uma decisão? Neste curso, você aprenderá a preparar dados de solicitação de crédito. Depois disso, você aplicará o aprendizado de máquina e as regras de negócios para reduzir os riscos e garantir a lucratividade. Você usará dois conjuntos de dados que emulam aplicativos de crédito reais e se concentram no valor comercial. Junte-se a mim e aprenda o valor esperado da modelagem de risco de crédito!
Para Empresas

GroupTreinar 2 ou mais pessoas?

Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.
DataCamp Para EmpresasPara uma solução sob medida , agende uma demonstração.

Nas seguintes faixas

Finanças Aplicadas em Python

Ir para a trilha
  1. 1

    Exploração e preparação de dados de empréstimo

    Gratuito

    Neste primeiro capítulo, discutiremos o conceito de risco de crédito e definiremos como ele é calculado. Usando tabelas cruzadas e gráficos, exploraremos um conjunto de dados do mundo real. Antes de aplicar o aprendizado de máquina, processaremos esses dados encontrando e resolvendo problemas.

    Reproduzir Capítulo Agora
    Entendendo o risco de crédito
    50 xp
    Explore os dados de crédito
    100 xp
    Tabelas cruzadas e dinâmicas
    100 xp
    Valores atípicos em dados de crédito
    50 xp
    Encontrar valores discrepantes com tabelas cruzadas
    100 xp
    Visualização de exceções de crédito
    100 xp
    Risco com dados ausentes nos dados do empréstimo
    50 xp
    Substituição de dados de crédito ausentes
    100 xp
    Remoção de dados ausentes
    100 xp
    Intuição de dados ausentes
    50 xp
  2. 4

    Avaliação e implementação do modelo

    Depois de desenvolver e testar dois modelos avançados de aprendizado de máquina, usamos as principais métricas de desempenho para compará-los. Usando técnicas avançadas de seleção de modelos especificamente para modelagem financeira, selecionaremos um modelo. Com esse modelo, você poderá: desenvolver uma estratégia de negócios, estimar o valor do portfólio e minimizar a perda esperada.

    Reproduzir Capítulo Agora
Para Empresas

GroupTreinar 2 ou mais pessoas?

Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.

Nas seguintes faixas

Finanças Aplicadas em Python

Ir para a trilha

conjuntos de dados

Raw credit dataClean credit data (outliers and missing data removed)Credit data (ready for modeling)

colaboradores

Collaborator's avatar
Mona Khalil
Collaborator's avatar
Ruanne Van Der Walt
Michael Crabtree HeadshotMichael Crabtree

Data Scientist

Ver Mais

O que os outros alunos têm a dizer?

Junte-se a mais de 15 milhões de alunos e comece Modelagem de risco de crédito em Python hoje mesmo!

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.