课程简介
随着机器学习、语音/图像识别、知识图谱等核心技术的发展，人工智能正在重构金融科技公司的服务业态。通过数据与技术驱动的理念，加速了金融科技的业务流程加速向智能化演进。从如何实现精准获客、营销，到促进客户在业务流程中的转化，再到通过对数据各个维度的深度挖掘从而实现风险控制、高精度的识别欺诈用户和欺诈团伙，最终将渠道的风险反馈回渠道投放的决策中，从而形成了数据与产品的闭环。提高了数据与场景的深度融合，更加优化了用户在产品中体验。本次课程将带你探索数据科学与机器学习，在金融科技实际业务场景中应用的流程，结合智能营销、智能反欺诈等实际业务，介绍如何利用数据驱动增长的实践。
目标收益
了解数据科学在金融科技领域里的价值
了解金融科技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
培训对象
研发工程师、数据分析师、算法工程师、数据挖掘工程师、数据工程师、数据科学家等技术同学，以及对机器学习、数据科学、数据驱动等感兴趣的同学。
课程大纲
| 业务场景 |
1.1互联网金融业务介绍 1.2机器学习可应用的业务场景 1.3机器学习在系统中的应用与架构 1.3.1 系统架构 1.3.2 分析建模 1.3.3 离线 1.3.4 实时 |
| 数据科学实践 |
2.1 数据驱动精细化运营 2.1.1 标签库 2.1.2 事件 2.1.3 DMP平台 2.1.4 营销工具 2.2 智能反欺诈 2.2.1 特征工程 数据采集与特征挖掘 特征有效性/稳定性评估 迁移学习、主动学习、表征学习 知识图谱的应用 2.2.2 模型策略 LR RF GBRT Ensemble 深度学习的应用 2.2.3 规则引擎 2.24 团伙挖掘 社区发现算法 团伙监控 2.2.5 调查平台 |
| 实现流程 |
3.1 敏捷开发项目制 3.2 形成数据反馈闭环 3.3 一些工作感悟 |
|
业务场景 1.1互联网金融业务介绍 1.2机器学习可应用的业务场景 1.3机器学习在系统中的应用与架构 1.3.1 系统架构 1.3.2 分析建模 1.3.3 离线 1.3.4 实时 |
|
数据科学实践 2.1 数据驱动精细化运营 2.1.1 标签库 2.1.2 事件 2.1.3 DMP平台 2.1.4 营销工具 2.2 智能反欺诈 2.2.1 特征工程 数据采集与特征挖掘 特征有效性/稳定性评估 迁移学习、主动学习、表征学习 知识图谱的应用 2.2.2 模型策略 LR RF GBRT Ensemble 深度学习的应用 2.2.3 规则引擎 2.24 团伙挖掘 社区发现算法 团伙监控 2.2.5 调查平台 |
|
实现流程 3.1 敏捷开发项目制 3.2 形成数据反馈闭环 3.3 一些工作感悟 |
近期公开课推荐
