[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：

[b]7月12日 第一天（上午）：[/b]
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

[b][b]7月12日 [/b]第一天（下午）：[/b]
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

[b][b]7月13日 [/b]第二天（上午）：[/b]
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

[b][b]7月13日 [/b]第二天（下午）：[/b]
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。