دوره پیش‌بینی ریسک اعتباری با مدل‌های ترکیبی مبتنی بر داده همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیش‌بینی ریسک اعتباری با مدل‌های ترکیبی مبتنی بر داده

موضوع کلی: سرمایه‌گذاری کمی و معاملات الگوریتمی

موضوع میانی: توسعه مدل‌های پیش‌بینی ترکیبی

📋 سرفصل‌های دوره

• 1. مقدمه به ریسک اعتباری
• 2. اهمیت پیش‌بینی ریسک اعتباری
• 3. چالش‌های پیش‌بینی ریسک اعتباری
• 4. انواع ریسک اعتباری
• 5. مفاهیم کلیدی در ریسک اعتباری
• 6. مدل‌های سنتی ریسک اعتباری
• 7. محدودیت‌های مدل‌های سنتی
• 8. ظهور مدل‌های مبتنی بر داده
• 9. مزایای مدل‌های مبتنی بر داده
• 10. انواع داده‌های مورد استفاده در مدل‌سازی
• 11. جمع‌آوری و پیش‌پردازش داده‌ها
• 12. پاکسازی داده‌ها
• 13. مدیریت داده‌های از دست رفته
• 14. مهندسی ویژگی
• 15. شناخت ویژگی‌های مرتبط
• 16. انتخاب ویژگی
• 17. معرفی مدل‌های ترکیبی
• 18. مفهوم مدل‌های ترکیبی
• 19. انواع رویکردهای ترکیبی
• 20. مزایای مدل‌های ترکیبی
• 21. مدل‌های پایه در پیش‌بینی ریسک اعتباری
• 22. مدل رگرسیون لجستیک
• 23. مدل ماشین بردار پشتیبان
• 24. مدل درخت تصمیم
• 25. مدل جنگل تصادفی
• 26. مدل تقویت گرادیان (Gradient Boosting)
• 27. معرفی مدل‌های یادگیری عمیق
• 28. شبکه‌های عصبی پرسپترون چند لایه
• 29. شبکه‌های عصبی کانولوشنال
• 30. شبکه‌های عصبی بازگشتی
• 31. مدل‌های ترکیبی مبتنی بر رگرسیون لجستیک
• 32. ترکیب رگرسیون لجستیک با جنگل تصادفی
• 33. ترکیب رگرسیون لجستیک با تقویت گرادیان
• 34. ترکیب رگرسیون لجستیک با شبکه‌های عصبی
• 35. مدل‌های ترکیبی مبتنی بر ماشین بردار پشتیبان
• 36. ترکیب SVM با درخت تصمیم
• 37. ترکیب SVM با جنگل تصادفی
• 38. ترکیب SVM با تقویت گرادیان
• 39. مدل‌های ترکیبی مبتنی بر جنگل تصادفی
• 40. ترکیب جنگل تصادفی با تقویت گرادیان
• 41. ترکیب جنگل تصادفی با شبکه‌های عصبی
• 42. مدل‌های ترکیبی مبتنی بر تقویت گرادیان
• 43. ترکیب تقویت گرادیان با شبکه‌های عصبی
• 44. روش‌های انباشتگی (Stacking)
• 45. آموزش مدل‌های پایه
• 46. آموزش متا مدل
• 47. ارزیابی عملکرد مدل‌های انباشتگی
• 48. روش‌های توده کردن (Bagging)
• 49. معرفی توده کردن
• 50. تفاوت توده کردن و تقویت
• 51. کاربرد توده کردن در ریسک اعتباری
• 52. روش‌های تقویت (Boosting)
• 53. معرفی تقویت
• 54. ترتیب مدل‌ها در تقویت
• 55. کاربرد تقویت در ریسک اعتباری
• 56. مدل‌های ترکیبی با وزن‌دهی
• 57. وزن‌دهی ساده
• 58. وزن‌دهی بر اساس عملکرد
• 59. وزن‌دهی پویا
• 60. روش‌های رأی‌گیری
• 61. رأی‌گیری اکثریت
• 62. رأی‌گیری وزنی
• 63. رأی‌گیری مبتنی بر احتمال
• 64. ارزیابی عملکرد مدل‌های ترکیبی
• 65. سنجه‌های ارزیابی متداول
• 66. منحنی ROC و AUC
• 67. دقت، حساسیت و ویژگی
• 68. معیار F1-Score
• 69. کالیبراسیون مدل
• 70. روش‌های اعتبارسنجی متقابل
• 71. اعتبارسنجی متقابل K-fold
• 72. اعتبارسنجی متقابل Leave-One-Out
• 73. اعتبارسنجی متقابل زمانی
• 74. مطالعات موردی در پیش‌بینی ریسک اعتباری
• 75. مطالعه موردی ۱: بانکداری خرد
• 76. مطالعه موردی ۲: اعتبار شرکتی
• 77. مطالعه موردی ۳: بازار سرمایه
• 78. چالش‌های پیاده‌سازی مدل‌های ترکیبی
• 79. مقیاس‌پذیری و کارایی
• 80. تفسیرپذیری مدل‌های ترکیبی
• 81. نظارت و نگهداری مدل
• 82. روندهای آینده در پیش‌بینی ریسک اعتباری
• 83. استفاده از داده‌های غیرمتعارف
• 84. یادگیری عمیق پیشرفته
• 85. تفسیرپذیری مدل‌های یادگیری عمیق
• 86. ریسک اعتباری قابل توضیح (XAI)
• 87. اخلاق و مسئولیت‌پذیری در مدل‌سازی ریسک اعتباری
• 88. ملاحظات قانونی و رگولاتوری
• 89. جمع‌بندی و پیشنهادات