دوره یادگیری ماشین برای ریسک اعتباری با Python از مبتدی تا پیشرفته

آنچه یاد خواهید گرفت: درک کنید که یادگیری ماشین چگونه در مدل‌سازی ریسک اعتباری به کار می‌رود، از جمله مفاهیم PD، و LGD و EAD و IFRS 9، هم از منظر کسب‌وکار و هم از منظر فنی مهارت‌های سرتاسری Python را برای ساخت، آموزش، اعتبارسنجی و توضیح مدل‌های ML برای پورتفولیوی‌های اعتباری با استفاده از داده‌ واقعی و تکنیک‌های صنعت توسعه دهید.. یاد بگیرید چگونه مهندسی ویژگی، ارزیابی مدل (ROC/KS/GINI/Brier)، توضیح‌پذیری SHAP و پایپ‌لاین‌های استقرار را با استفاده از FastAPI و SQL پیاده‌سازی کنید. ML را در مطالعات موردی واقعی بانکی، از جمله PD خرده‌فروشی، LGD برای SME و EAD/CCF و تست استرس، به کار بگیرید. پیش‌نیازهای دوره درک پایه از Excel یا اعداد (نیازی به مهارت پیشرفته نیست.) نیازی به تجربه قبلی برنامه‌نویسی نیست. همه مفاهیم Python گام‌به‌گام آموزش داده می‌شوند. علاقه عمومی به ریسک اعتباری، امور مالی، تحلیل داده یا یادگیری ماشین توضیحات دوره این دوره شامل استفاده از هوش مصنوعی است. یادگیری ماشین در حال متحول کردن شیوه‌ای است که بانک‌ها و مؤسسات مالی ریسک اعتباری را ارزیابی می‌کنند، مدل‌های پیش‌بینانه می‌سازند و درباره اعطای وام تصمیم می‌گیرند. این دوره به شما می‌آموزد چگونه از تکنیک‌های یادگیری ماشین برای مدل‌سازی احتمال نکول (PD)، زیان با فرض نکول (LGD)، ریسک در زمان نکول (EAD) و زیان اعتباری مورد انتظار با استفاده از Python بهره ببرید. این دوره برای مبتدیان و همچنین متخصصان باتجربه طراحی شده و تمام مراحل لازم برای ساخت راهکارهای ریسک اعتباری آماده بهره‌برداری را پوشش می‌دهد. شما نه‌تنها یاد می‌گیرید این مدل‌ها را چگونه کدنویسی کنید، بلکه می‌آموزید چگونه در مدیریت ریسک واقعی، ذخیره‌گیری IFRS 9، مدل‌سازی سرمایه Basel و محیط‌های تست استرس به کار می‌روند. در طول این برنامه، با استفاده از مثال‌های عملی Python و درس‌های گردش‌کار با ساختار روشن، مدل‌های کاربردی خواهید ساخت. آنچه یاد خواهید گرفت: مدل‌های یادگیری ماشین نظارت‌ شده برای پیش‌بینی PD و LGD و EAD بسازید. آماده‌سازی داده، پاکسازی داده و مهندسی ویژگی را انجام دهید. متریک‌های عملکرد مدل مانند ROC و KS و Gini و Brier Score را به کار ببرید. مدل‌ها را با استفاده از رگرسیون لجستیک، روش‌های مبتنی بر درخت و الگوریتم‌های boosting ارزیابی و مقایسه کنید. از تکنیک‌های توضیح‌پذیری مدل، از جمله تفسیر مبتنی بر SHAP، استفاده کنید. پایپ‌لاین‌های ML برای آموزش، امتیازدهی و نظارت بر مدل‌های عملیاتی ایجاد کنید. مفاهیم پایه استقرار مانند APIها، داشبوردها و فیدهای داده را راه‌اندازی کنید. انتظارات حاکمیت ریسک برای اعتبارسنجی و شفافیت مدل را درک کنید. مفاهیم ML را به تصمیم‌گیری واقعی در ریسک اعتباری و مدیریت پورتفولیو متصل کنید. این دوره شامل مثال‌های ساختاریافته و مطالعات موردی عملی مانند مدل‌سازی PD خرده‌فروشی، نمونه‌های برآورد LGD، چالش‌های مدل‌سازی EAD و نمایش‌های تست استرس پورتفولیوی اعتباری است. در پایان این دوره، قادر خواهید بود: راهکارهای واقعی یادگیری ماشین را در Python بسازید. توسعه end-to-end مدل را در یک محیط ریسک مالی درک کنید. نتایج را برای تحلیل‌گران، ذی‌نفعان و مدیران ریسک توضیح دهید. روش‌های مدرن یادگیری ماشین را در تحلیل اعتباری، نظارت پورتفولیو و پروژه‌های مدل‌سازی به کار بگیرید. هیچ تجربه قبلی در برنامه‌نویسی Python لازم نیست. همه مفاهیم کدنویسی گام‌به‌گام معرفی می‌شوند؛ بنابراین این دوره برای مبتدیان باانگیزه قابل‌دسترس است و در عین حال عمق پیشرفته‌ای برای تحلیل‌گران باتجربه، کوانت‌ها و متخصصان ریسک فراهم می‌کند. این آموزش برای افرادی ایده‌آل است که می‌خواهند توانایی‌های فنی مدل‌سازی خود را ارتقا دهند و در به‌کارگیری یادگیری ماشین در محیط‌های واقعی مالی اعتمادبه‌نفس بیشتری پیدا کنند. این دوره برای چه کسانی مناسب است؟ تحلیل‌گران ریسک اعتباری که می‌خواهند از Excel/SAS به Python و یادگیری ماشین ارتقا پیدا کنند. متخصصان بانکداری و امور مالی که می‌خواهند با تکنیک‌های مدرن مدل‌سازی اعتباری آشنا شوند. تحلیل‌گران داده و علاقه‌مندان به علم داده که می‌خواهند مدل‌های واقعی یادگیری ماشین مورد استفاده در بانک‌ها را بسازند. دانشجویان یا فارغ‌التحصیلانی که برای نقش‌های مرتبط با ریسک، تحلیل، FinTech یا امور مالی کمی آماده می‌شوند. متخصصانی که برای پروژه‌های مرتبط با IFRS 9 و Basel یا ریسک اعتباری آماده می‌شوند.