Зарегистрироваться

Распечатать

Основные векторы развития машинного обучения в финансах и современных банковских системах

Описание

1.    «Домодельная эпоха»: критический взгляд на опросники и балльно-весовые системы принятия решений экспертного вида, и что нужно системно перепроверять в них в 2025 г.

2.    Интерпретируемые алгоритмы, их описание и практическое применение:

2.1.       Логистическая регрессия. Изучаем github-аккаунты крупнейших банков (Сбер, ВТБ) в поисках скрытых и полезных жемчужин.

2.2.       Еще раз про минимальный набор проверок для продуктивных интерпретируемых моделей: количество факторов в модели, допустимые способы преобразования исходных данных, показатели выборки, GINI, Information Value, KS, PSI, VIF, R.

3.    Неинтерпретируемые алгоритмы, их описание и практическое применение.

3.1.       В каком направлении современное научное и банковское сообщество разрешает ловушку интерпретируемости: обзор методов SHAP.

3.2.       Решающие деревья. Ансамбли. Победы ансамблей в соревнованиях по машинному обучению. Основные алгоритмы: LGBM, CatBoost, XGBoost. Открытые библиотеки AUTOML, способные принести пользу прямо сейчас. Подробное объяснение того, как они работают в Excel.

3.3.       Нейронные сети. Свёрточные нейронные сети. Реккурентные нейронные сети. Языковые модели. PyTorch.

4.    Способы автоматизации отдела рисков собственными силами: что делать, когда при нехватке собственных специалистов: 4 практических решения проблемы: (1) надстройки (2) плагины (3) блокноты (4) облачные решения.

Зарегистрироваться

Распечатать