[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。