Základy strojového učení pro scoringové modely
Masterclass zaměřená na praktické techniky strojového učení pro tvorbu skórovacích modelů. Naučíte se pracovat s reálnými daty, vybírat správné algoritmy a interpretovat výsledky.
6 týdnů
Co jsou scoringové modely a kde se používají
Scoringové modely přiřazují číselné hodnocení osobám, transakcím nebo entitám na základě dat. Banky je používají při posuzování úvěrů, pojišťovny při oceňování rizik, e-shopy při detekci podvodů.
Proč klasická statistika nestačí
Logistická regrese funguje dobře na malých datasetech s čistými proměnnými. Jakmile přidáte stovky příznaků nebo nelineární vztahy, potřebujete jiné nástroje.
Co se v kurzu naučíte
Projdeme přípravu dat, výběr příznaků a trénování modelů na reálných datasetech z oblasti retailového bankovnictví. Každá lekce obsahuje praktický příklad v Pythonu.
Nástroje, se kterými budete pracovat
- scikit-learn pro základní modely
- pandas a numpy pro přípravu dat
- matplotlib pro vizualizaci výsledků
Kurz nevyžaduje pokročilou matematiku, ale základní znalost Pythonu a práce s tabulkovými daty je nutností.
Výsledky závisí na praxi
Modely se naučíte stavět, ale jejich kvalita závisí na tom, kolik času věnujete vlastním experimentům s daty.
Obsah a struktura programu
Program kurzu
- Úvod do scoringu: typy modelů a jejich použití v praxi
- Příprava dat: čištění, imputace chybějících hodnot, kódování kategorií
- Výběr příznaků: korelace, WoE, informační hodnota
- Logistická regrese jako základní scoringový model
- Rozhodovací stromy a jejich interpretace
- Gradient boosting: XGBoost a LightGBM pro scoring
- Hodnocení modelů: AUC, Gini, KS statistika
- Nasazení modelu do produkčního prostředí