课程大纲：
第一课：数据分析基本知识复习（2课时）
1. 数据分析的基本概念
a. 目的
b. 数据获取和清理
c. 数据的描述性统计与可视化
2. 数据分析的常用模型
a. 监督式模型：（广义）线性回归，决策树，随机森林，支持向量机，神经网络
b. 非监督式模型：聚类分析，因子分析，主成分分析
第二课：银行信贷客户的聚类分析－非监督式聚类（2课时）
1. 数值型变量的归一化
2. 类别型变量的编码
3. 距离的概念和种类
4. 闵可夫斯基距离
5. VDM(Value Difference Metric)距离
6. 聚类的性能度量
a. Davies-Bouldin Index
b. Dunn Index
7. K-均值算法的难题：如何选取k
第三课：银行信贷客户的聚类分析－非监督式聚类（续）（2课时）
1. 数据描述
2. 数据预处理的实操：归一化与编码
3. K-均值算法用于信贷客户的聚类分析
4. 层次聚类法用于信贷客户的聚类分析
第四课：银行信贷客户的聚类分析－半监督式聚类（2课时）
1. 半监督聚类
a. 约束K-均值算法
2. 带有少量标签的K-均值算法
第五课：行为评分卡模型的简介（2课时）
1. 个人信贷产品的简介及其中的各类风险
2. 什么是评分卡模型
3. 信用风险领域的评分卡模型
a. 申请评分卡
b. 行为评分卡
c. 催收评分卡
4. 评分卡模型的时间窗口概念
a. 表现期
b. 观察期
5. 拓展：PD模型与巴塞尔协议
第六课：行为评分卡模型的特征构造（2课时）
1. 训练集和测试集的划分
2. 特征构造
a. 逾期类型特征
b. 还款率类型特征
c. 使用率类型特征
d. 消费类型特征
e. 其他类型特征
3. 变量的分箱和WOE计算
第七课：行为评分卡模型的特征挑选（2课时）
1. IV的概念
2. 单变量分析
3. 多变量分析
4. 线性相关性
5. 多重共线性
第八课：行为评分卡模型的逻辑回归模型（2课时）
1. 逻辑回归模型的基本概念
a. 什么是逻辑回归
b. 逻辑回归中的参数估计
c. 逻辑回归的正则化：LASSO（L1约束） & Ridge（L2约束）
2. 用逻辑回归构造行为评分卡模型
3. 从概率到分数
第九课：行为评分卡模型的验证、监控和调优（2课时）
1. 评分卡模型常用的评价指标
a. KS
b. AR
c. PSI
d. Kendal’s Tau
2. Assigned PD & Actual PD
3. 模型监控的概念
a. 模型监控的频率
b. 模型监控的解读
4. 模型的调优
第十课：组合评分卡模型（2课时）
1. 组合模型概述
2. 串行结构的评分组合模型
3. 异态并行结构的评分组合模型
4. 同态并行结构的评分组合模型
————————————————