[Strata Data Conference培训课程] 数据科学精髓：互联网金融实例-量化线上金融信用与欺诈风险的评估

您想了解互联网金融幕后的量化分析流程吗？个人信用是怎样通过大数据被量化的？在实践过程中，机器学习算法的应用存在着哪些需要关注的方面？怎样通过图谱分析来融合多维数据，为我们区分正常用户和欺诈用户？ 

这套辅导课基于清华大学交叉信息研究院2017年春天新开设的一门"量化金融信用与风控分析”研究生课。其中会用LendingClub的真实借贷数据做为案例，解说一些具体模型的实现。

您将学到什么及如何应用之

专业术语，研发方向，具体挑战，数据科学解决方案

本培训适合您因为…

• 了解数据科学在互联网金融领域里在个人信用评估的价值

• 了解个人信用领域真实的数据科学流程和考虑方面

• 了解信用模型搭建中多种挑战的解决方案

预备条件：

一些数据科学建模经验，对金融个人信用领域的兴趣

硬件和／或安装要求：

观众可选择事先下载数据和code，跟随练习。

---

具体课程内容如下：

7月12日 第一天（上午）：

1. 金融信用行业概况

• 什么是信用？

• 信用贷款行业概况

• 信用贷款风险

• 金融产品的设计

2. 数据特性与评估标准

• 中美信用评分的现状

• 信息源：身份鉴别＋还款能力/意愿，个人设备信息，个人线上／线下行为信息

• 风控术语与评估标准

• 数据源获取挑战

7月12日 第一天（下午）：

3. 数据采集与特征提取

• 数据源的选择

• • 信贷金融属性强度，数据产生的频率，反应还款能力／意愿

• 特征的挖掘

• • 特征的挖掘，有效性／稳定性的评估

  • 特征的组合，

  • 迁移学习，主动学习，表征学习

• 知识图谱的应用

• • 实体和关系的定义

  • 图数据库的技术实现    

  • 用Cypher做图谱挖掘

  • 社区挖掘算法案例

• 设备指纹

4. 信用和欺诈的标注

• 标注获取的挑战

• • 成本高，周期长，定义多样

• 信用标注

• • 早期产品模型，成熟产品模型

• 欺诈标注

• • 欺诈标注的五层分层

7月13日 第二天（上午）：

5. 信用和欺诈模型的搭建

• Incremental Learning

• • Static Windowing Approach

  • Updating Approach

  • Forgetting Genuine Approach

• 数据非平衡处理：

• • Random Oversampling and Undersampling

  • Informed Undersampling

  • Synthetic Sampling with Data Generation

  • Adaptive Synthetic Sampling

  • Sampling with Data Cleaning Techniques

• 模型策略

• • Linear Regression

  • GBT

  • Deep Learning

  • Ensembles

• 结果评估

• • 混淆矩阵

  • 排序评估方法

  • ROC Curve

  • PR Curve

7月13日 第二天（下午）：

6. 商业决策和评估：

• 利率和额度的确定

• 营利性的评估

7. 黑色产业链

• 黑色产业链一览

• 安全与用户体验的权衡

• 对应策略

8. 行业案例

关于导师

种骥科博士现任清华大学访问教授和宜人贷 (NYSE:YRD) 首席数据科学家。在宜人贷，种骥科的数据科学团队支持反欺诈风控和数字驱动的运营和创新。之前，种骥科曾任职于美国Simply Hired招聘平台，创建了数据科学部， 并应邀为白宫科技办公室参谋大数据技术产品设计。还曾就职于美国Silver Lake 私募公司任Kraftwerk基金数据科学架构师，负责大数据技术在私募投资风控方面的应用。种骥科曾任美国卡内基梅隆大学教授与博士生导师，持有加州大学伯克利分校电子工程和计算机科学系博士学位，卡内基梅隆大学电子和计算机工程系硕士及本科学位，和9项专利(5项获准，4项待批)。

---

---

Strata Data Conference北京站正在报名中，点击图片中二维码可登录会议网站，浏览截止到目前为止的讲师名单和已经确认的议题，早期票价优惠期截止到6月9日，尽快注册以确保留位。