شما در این دوره چه چیزی خواهید آموخت؟

• اصول مدل‌سازی ریسک اعتباری: درک عمیق از مفاهیم کلیدی ریسک اعتباری، شامل احتمال نکول (PD)، زیان در صورت نکول (LGD) و میزان در معرض خطر (EAD)، و نقش آن‌ها در تصمیم‌گیری‌های اعتباری.
• تسلط بر پایتون برای تحلیل داده: استفاده از کتابخانه‌های قدرتمند پایتون نظیر Pandas، NumPy، Scikit-learn برای دستکاری، تحلیل و مدل‌سازی داده‌های اعتباری بزرگ.
• پیش‌پردازش و مهندسی ویژگی: یادگیری تکنیک‌های پیشرفته برای پاکسازی داده‌ها، مدیریت مقادیر گمشده و پرت‌ها، نرمال‌سازی و مقیاس‌بندی، و همچنین استخراج و ایجاد ویژگی‌های جدید (Feature Engineering) که کارایی مدل را به شکل چشمگیری افزایش می‌دهند. این شامل تکنیک‌هایی مانند Weight of Evidence (WoE) و Information Value (IV) نیز می‌شود.
• ساخت مدل‌های پیش‌بینانه: پیاده‌سازی و درک طیف وسیعی از الگوریتم‌های یادگیری ماشین برای مدل‌سازی ریسک اعتباری، از جمله رگرسیون لجستیک (Logistic Regression)، درخت تصمیم (Decision Tree)، جنگل تصادفی (Random Forest)، گرادیان بوستینگ (Gradient Boosting) و ماشین‌های بردار پشتیبان (Support Vector Machines).
• ارزیابی و اعتبارسنجی مدل: سنجش عملکرد مدل‌ها با استفاده از معیارهای استاندارد صنعتی مانند AUC، منحنی ROC، ضریب جینی (Gini Coefficient)، معیار KS (Kolmogorov-Smirnov) و منحنی‌های کالیبراسیون. همچنین، روش‌های اعتبارسنجی متقابل (Cross-Validation) برای اطمینان از پایداری مدل.
• تفسیرپذیری مدل و تحلیل تاثیر: استفاده از تکنیک‌هایی مانند SHAP و LIME برای درک چگونگی تصمیم‌گیری مدل‌ها و شناسایی مهم‌ترین عوامل موثر بر پیش‌بینی ریسک. این بخش به شفافیت مدل و اعتماد به نتایج آن کمک شایانی می‌کند.
• مطابقت با مقررات (Basel): آشنایی با چارچوب‌های رگولاتوری نظیر بازل (Basel Accords) و چگونگی پیاده‌سازی مدل‌هایی که با این استانداردها همخوانی دارند.
• مدل‌سازی عملی با داده‌های واقعی: کار با مجموعه داده‌های اعتباری واقعی برای تجربه چالش‌ها و فرصت‌های دنیای واقعی در مدل‌سازی ریسک.

مزایای برجسته این دوره برای شما

• آمادگی شغلی بی‌نظیر: این دوره شما را برای نقش‌های کلیدی در بخش‌های ریسک بانک‌ها، موسسات مالی، شرکت‌های فین‌تک و شرکت‌های مشاوره مالی آماده می‌کند.
• مهارت‌های عملی و مورد تقاضا: با یادگیری مهارت‌های مدل‌سازی ریسک اعتباری با پایتون، شما به یکی از متخصصان مورد نیاز بازار کار تبدیل می‌شوید.
• درک عمیق از فرآیندهای صنعتی: این دوره تنها به مباحث تئوری نمی‌پردازد، بلکه شما را با فرآیندهای عملی و بهترین روش‌های مورد استفاده در صنعت مالی آشنا می‌سازد.
• بهبود تصمیم‌گیری‌های اعتباری: توانایی شما در تحلیل و پیش‌بینی ریسک، به سازمان‌ها کمک می‌کند تا تصمیمات اعتباری هوشمندانه‌تری اتخاذ کنند که منجر به کاهش زیان‌ها و افزایش سودآوری می‌شود.
• دسترسی پایدار به محتوا: با ارائه دوره بر روی فلش مموری ۳۲ گیگابایتی، شما نیازی به اتصال دائم اینترنت برای دسترسی به محتوا نخواهید داشت و می‌توانید در هر زمان و مکانی به یادگیری بپردازید. این یک مزیت بزرگ برای افرادی است که ممکن است دسترسی به اینترنت پرسرعت نداشته باشند یا ترجیح می‌دهند محتوای آموزشی خود را به صورت فیزیکی و قابل حمل در اختیار داشته باشند.

پیش‌نیازهای شرکت در این دوره

• آشنایی مقدماتی با پایتون: درک مفاهیم اولیه برنامه‌نویسی پایتون، شامل متغیرها، حلقه‌ها، شرط‌ها و توابع. (نیازی به تخصص در پایتون نیست، اما آشنایی اولیه روند یادگیری را تسهیل می‌کند).
• مفاهیم آماری و ریاضی مقدماتی: درک پایه از آمار توصیفی، احتمال و مفاهیم ریاضی مرتبط.
• علاقه به حوزه مالی و داده‌کاوی: اشتیاق به یادگیری در زمینه ریسک مالی و تحلیل داده، یک مزیت بزرگ محسوب می‌شود.

۱. مقدمه‌ای بر ریسک اعتباری و پایتون

• مفاهیم اساسی ریسک اعتباری (PD, LGD, EAD).
• نقش پایتون در تحلیل داده‌های مالی و مدل‌سازی ریسک.
• معرفی محیط‌های توسعه (Jupyter Notebook, VS Code).
• نصب و راه‌اندازی کتابخانه‌های مورد نیاز.

۲. جمع‌آوری و پیش‌پردازش داده‌ها

• منابع داده‌های اعتباری و ساختار آن‌ها.
• بارگذاری، نمایش و کاوش اولیه داده‌ها با Pandas.
• شناسایی و مدیریت مقادیر گمشده (Missing Values).
• شناسایی و حذف/مدیریت مقادیر پرت (Outliers).
• نرمال‌سازی و مقیاس‌بندی داده‌ها.

۳. تحلیل اکتشافی داده‌ها (EDA) و مهندسی ویژگی

• تجزیه و تحلیل توصیفی متغیرها.
• تحلیل روابط بین متغیرها و متغیر هدف.
• تکنیک‌های مهندسی ویژگی: ایجاد ویژگی‌های جدید از داده‌های موجود.
• آموزش عمیق WoE (Weight of Evidence) و IV (Information Value) برای انتخاب ویژگی.
• تبدیل متغیرهای دسته‌ای به عددی.

۴. مدل‌سازی ریسک اعتباری: بخش اول (مدل‌های سنتی)

• رگرسیون لجستیک (Logistic Regression): تئوری، پیاده‌سازی، و تفسیر ضرایب.
• درخت تصمیم (Decision Trees): ساخت، هرس (Pruning) و قواعد تصمیم.
• پیاده‌سازی مدل‌ها با Scikit-learn.
• کار با داده‌های عدم تعادل (Imbalanced Data).

۵. مدل‌سازی ریسک اعتباری: بخش دوم (مدل‌های پیشرفته)

• جنگل تصادفی (Random Forest): اصول کار و پیاده‌سازی.
• گرادیان بوستینگ (Gradient Boosting): XGBoost و LightGBM برای عملکرد بالا.
• ماشین‌های بردار پشتیبان (SVM): مفاهیم و کاربرد در ریسک اعتباری.
• مقایسه و انتخاب بهترین مدل.

۶. ارزیابی و اعتبارسنجی مدل

• معیارهای ارزیابی مدل‌های طبقه‌بندی (Accuracy, Precision, Recall, F1-Score).
• منحنی ROC و AUC: درک و محاسبه.
• ضریب جینی (Gini Coefficient) و معیار KS (Kolmogorov-Smirnov).
• ماتریس سردرگمی (Confusion Matrix).
• کالیبراسیون مدل و منحنی‌های کالیبراسیون.
• اعتبارسنجی متقابل (Cross-Validation) و تکنیک‌های افزایش پایداری مدل.

۷. تفسیرپذیری و شفافیت مدل

• اهمیت تفسیرپذیری در مدل‌های ریسک.
• SHAP (SHapley Additive exPlanations): درک تاثیر هر ویژگی بر پیش‌بینی.
• LIME (Local Interpretable Model-agnostic Explanations): تفسیر پیش‌بینی‌های محلی.
• گزارش‌دهی و ارائه نتایج مدل.

۸. استرس تست و رعایت مقررات

• مقدمه‌ای بر استرس تست مدل‌های اعتباری.
• چارچوب‌های رگولاتوری نظیر بازل (Basel II/III) و الزامات آن.
• پیاده‌سازی مدل‌های مطابق با استانداردها.
• نقش مدل‌سازی در مدیریت ریسک سازمانی.

۹. پروژه عملی جامع

• اعمال تمام آموخته‌ها در یک پروژه مدل‌سازی ریسک اعتباری از ابتدا تا انتها با یک مجموعه داده واقعی.
• شبیه‌سازی سناریوهای عملیاتی و چالش‌های دنیای واقعی.
• بهینه‌سازی و تنظیم هایپرپارامترها.