Kursplan
AI i kreditrisk: Grundläggande principer och möjligheter
- Traditionella vs AI-drivna kreditriskmodeller
- Utmaningar i kreditbedömning: bias, förklarbarhet och rättvisa
- Praktiska fallstudier i AI för lån
Data för kreditscoremodeller
- Källor: transaktionsdata, beteendedata och alternativa data
- Datarening och egenskapsutveckling för lånbeslut
- Hantering av klassobalans och databrist i riskprediktion
Machine Learning för kreditscoring
- Logistisk regression, beslutsträd och slumpmässiga skogar
- Gradient boosting (LightGBM, XGBoost) för scoreprecision
- Modellträning, validering och inställningstekniker
AI-drivna låneflöden
- Automatisering av låntagarsegmentering och låneriskbedömning
- AI-förstärkt undertecknande och godkännandeprocesser
- Dynamisk prissättning och räntaoptimering med hjälp av ML
Modellförklarbarhet och ansvarsfull AI
- Förklaring av förutsägelser med SHAP och LIME
- Rättvisa i kreditmodeller: biasdetektering och åtgärd
- Efterlevnad av regelverk (t.ex. ECOA, GDPR)
Generative AI i lånescenarier
- Användning av LLMs för ansökningsgranskning och dokumentanalys
- Prompt-engineering för låntagarkommunikation och insikter
- Syntetisk datagenerering för modelltestning
Strategi och Goförvaltning för AI i kredit
- Byggande av interna AI-förmågor vs externa lösningar
- Modellcykelhantering och bästa praxis för förvaltning
- Framtida trender: realtids-kreditscoring, integrering med öppet bankväsen
Sammanfattning och nästa steg
Krav
- Förståelse för grunderna i kreditrisk
- Erfarenhet av dataanalys eller affärsintelligensverktyg
- Kännedom om Python eller villighet att lära sig grundläggande syntax
Målgrupp
- Lånechefer
- Kreditanalytiker
- Fintech innovatörer
Vittnesmål (1)
Jag uppskattade verkligen sättet på vilket utbildaren presenterade allt. Jag förstod allt även om Finance inte är mitt område, han såg till att alla deltagare var på samma sida medan han håller reda på tiden som återstod. Övningarna var placerade på bra intervaller. Communication med deltagarna fanns alltid där. Materialet var perfekt, varken för mycket eller för lite. Han förklarade väldigt bra lite mer komplicerade ämnen så att alla kunde förstå.
Diana
Kurs - ChatGPT for Finance
Maskintolkat