周红伟 —— 前马上金融风控负责人
课程背景
随着金融科技的快速发展，信用卡业务面临的风险日益复杂化、隐蔽化，传统的风控手段已难以应对新型欺诈行为与信用风险挑战。大数据与人工智能技术的深度融合，为风险控制提供了更精准、高效的解决方案。决策树、随机森林、XGBoost等机器学习算法在金融风控领域展现出强大的预测能力，能够有效提升欺诈识别率、优化信用评分模型，并增强风险管理策略的智能化水平。
本次培训旨在帮助风险管理部的模型开发、策略分析及数据应用岗位人员深入理解决策树类算法的核心原理，掌握Python建模工具，并通过实际案例演练提升算法应用能力，推动业技数融合，打造更智能、更高效的风控体系。
课程收益
1.掌握决策树、随机森林、GBDT、XGBoost等算法的核心原理及适用场景
2.熟练使用Python（scikit-learn、XGBoost等）进行风控模型开发
3.学习模型调优、评估及部署的完整流程
4.深刻理解信用评分模型、欺诈检测模型的构建方法
5.提升特征工程能力，优化变量筛选与模型可解释性
6.掌握模型与业务规则的融合策略，提高风控决策精准度
课程大纲
第一部分 决策树机器学习算法
1. 决策树机器学习算法基本原理
1.1决策树基础概念
1.1.1决策树的核心思想与构建过程
1.1.2信息增益、基尼系数等分裂准则详解
1.1.3决策树的过拟合问题及剪枝策略
1.2随机森林（Random Forest）
1.2.1集成学习与Bagging方法介绍
1.2.2随机森林的构建与特征重要性评估
1.2.3随机森林在金融风控中的优势与局限性
1.3GBDT（Gradient Boosting Decision Tree）
1.3.1梯度提升（Gradient Boosting）的基本原理
1.3.2GBDT的损失函数与优化方法
1.3.3GBDT在信用评分模型中的应用
1.4XGBoost（eXtreme Gradient Boosting）
1.4.1XGBoost的核心优化技术
1.4.2XGBoost的超参数调优方法
1.4.3XGBoost与GBDT的对比分析
1.5Python工具实现
1.5.1使用scikit-learn实现决策树、随机森林
1.5.2使用XGBoost、LightGBM进行模型训练
1.5.3模型评估方法（AUC、KS、F1-score等）
第二部分 决策树在欺诈模型中的实际案例
2.1信用评分模型案例
2.1.1基于决策树的信用评分卡建模流程
2.1.2特征工程与变量筛选方法
2.1.3模型可解释性在银行风控中的应用
2.2欺诈检测案例
2.2.1决策树在交易欺诈识别中的应用
2.2.2非平衡数据处理方法（SMOTE、欠采样等）
2.2.3欺诈模型的实时决策与规则引擎结合
2.3风控策略优化案例
2.3.1如何利用决策树模型优化授信策略
2.3.2模型结果与业务规则的融合应用
2.3.3模型监控与迭代优化方法
第三部分 XGboost反欺诈实操训练
3.1Python实战：决策树建模
3.1.1数据预处理（缺失值处理、特征编码）
3.1.2模型训练与调参（GridSearchCV）
3.1.3模型评估与业务解读
3.2案例实战：信用风险评估
3.2.1基于真实信用卡数据的模型搭建
3.2.2特征重要性分析与业务洞察
3.2.3模型部署与A/B测试设计
3.3案例实战：欺诈检测优化
3.3.1欺诈样本的识别与增强学习
3.3.2模型与规则引擎的结合优化
3.3.3欺诈模型的实时监控方案
第四部分 银行反欺诈进阶
4.1反欺诈特征的分析和提取
4.1.1设备指纹数据
4.1.2运营商数据特征提取
4.1.3银行内部反欺诈特征提取
4.1.4复杂网络反欺诈特征的提取
4.2 反欺诈策略的分析
4.2.1反欺诈策略的分析：分通分层分析
4.2.2反欺诈策略交叉组合设计
4.2.3反欺诈策略和运营的配合使用策略
4.3 反欺诈策略的数据分析和监控
4.3.1反欺诈数据监控指标的设计
4.3.2反欺诈数据监控分析
4.3.3反欺诈数据和策略的动态调整设计
授课老师
周红伟 前阿里人工智能算法专家
常驻地：重庆
邀请老师授课：13439064501 陈助理
