商业金融数据应用(CDA.F)认证培训课程-第二级

2人 购买 好评度 -
用手机看

扫一扫继续用手机看

  • 微信扫码

  • QQ扫码

下载手机APP
收藏
  • 第一期
更多班级

第一期

支持随到随学,24年05月过期

¥776.22

本班因教学质量问题暂时不能报名。 查看详情

课程因违反平台规定暂时不能报名。

立即购买

课程概述

目录

往期学员作业()

评论

老师介绍

  • 常老师

    常老师

    北京大学会计学博士,ThoughtWorks中国首席数据科学家,中国大数据产业生态联盟专家委员会委员,CDA数据分析研究院名誉院长,腾讯云最有价值专家(TVP)。 著有《金融数据科学》系列丛书、《Python数据科学:技术详解与商业实践》等多本著作。长期专注于企业数据资产管理、数据智能应用和数字化人才培养。
简  介 商业金融数据应用(CDA.F)等级认证旨在为在金融行业专门从事数据的采集、清洗、处理、分析、模型开发并能制作业务报告、提供决策的新型大数据分析人才提供进阶指引和能力评定。

【商业金融数据应用(CDA.F)】认证介绍

商业金融数据应用(CDA.F)等级认证旨在为在金融行业专门从事数据的采集、清洗、处理、分析、模型开发并能制作业务报告、提供决策的新型大数据分析人才提供进阶指引和能力评定。CDA.F秉承着总结凝练最先进的商业数据分析实践为使命,明晰各类数据分析从业者的知识体系为职责,专注于赋能金融数字化人才培养,提升数据分析师的职业素养与能力水平,促进数据分析行业的高质量持续快速发展。

商业金融数据应用(CDA.F)认证是一套专业化,科学化,国际化,系统化的人才考核标准,分为数据分析师( CDA.F LEVELⅠ)、建模分析师(LEVEL Ⅱ)、数据科学家(LEVEL Ⅲ)三个级别。 为金融公司选拔人才、进行专业人才评定提供科学依据,为金融数据分析师自我提高指明方向。

【商业金融数据应用(CDA.F)】(二级)适用人群

数据、风控、客户运营等部门的数据挖掘工程师。指银行、保险、证券、其他非银机构、互联网金融等行业从事数据分析与数据挖掘的中、后台中级技术人员;风控、数据、IT、咨询等职位业务人员。具备开展数字化工作流程中数据挖掘用例的知识结构。掌握了金融数据挖掘方法论、常用算法和九大工作模板,具备产出高质量数据挖掘模型的能力,可以从事金融行业数据分析与数据挖掘工作。能够根据客群运营、产品运营、风险控制等业务场景的需求,能从海量数据提取相关信息,构建入模的特征体系,合理选取机器学习算法,并进行全模型生命周期管理工作。

 

课程介绍

本课程重点讲解金融数据挖掘九大模板。

企业数字化转型是以数据价值深挖为手段,辅助企业流程再造,提高企业应对变革的能力。需要企业制定数据资产规划,不断提升数据资产管理能力。以下的EDIT数字化模型总结自现代数字化商业的国际先进践行者。

其中“业务检测”包括KPI指标体系的构建和可视化分析能力,“诊断”涉及定性和定量根因分析和研究报告编写,“指导”包括客户画像、产品画像和策略模版的使用,“工具”包括金融行业定制化的九大数据挖掘模版的学习和使用。

本套课程以九大模版的讲解为重点。将以案例的形式讲解不同应用主题的业务场景分析、特征构建、特征工程、算法实施。使得学员形成统一的模型开发方法论,为之后的工作实践下坚实的基础。

课程特点:

1、 取材于业界一流企业和顶级咨询公司的行业实践;

2、 独创金融数据挖掘九大模板,便于学员快速进入实战状态;

3、 紧贴【商业金融数据应用(CDA.F)】(二级)认证核心内容编撰教学材料。

学员基础:

通过CDA.F一级认证,或具有相当水平。

 

课程安排:

一、决策类模型

 

  1.1获客营销

1.1.1 数据挖掘方法论

1.1.2基于客户旅程的模型体系

1.1.3 两阶段营销获客模型框架

1.1.4 数据挖掘项目分析框架

1.1.5 数据集类型与因果推论

1.1.6 确定相关的工具-假设检验

1.1.7 建立客户价值预测模型

1.1.8 建立客户响应概率预测模型

1.1.9 建立模型的其他议题

1.1.10 制定客户营销分级策略

  1.2客户细分

1.2.1连续变量降维

1.2.2 聚类算法

1.2.3 金融客户行为细分案例

  1.3保留提升

1.3.1交叉销售,让客户买的更多

1.3.2关联规则挖掘,发现交叉销售机会

1.3.3分析结果的业务应用

 

二、 识别类模型

 

  2.1申请欺诈

2.1.1决策树及其再申请反欺诈建模中的应用案例

2.1.2组合算法及其再申请反欺诈建模中的应用案例

2.1.3神经网络及其再申请反欺诈建模中的应用案例

  2.2违规识别

2.2.1交易反欺诈简介

2.2.2交易反欺诈检测方法

2.2.3异常识别的算法基础

 

三、 预测和最优化分析

 

  3.1趋势预测

      3.1.1  python时间处理基础

3.1.2  使用ARIMA技术做销售量预测

3.1.3  使用LSTM做销售量预测

  3.2运营优化

3.2.1线性规划

3.2.2整数规划

3.2.3二次规划

3.3流程分析和流程挖掘

 

四、 机器学习算法精讲

 

4.1 统计学中的矩估计方法

4.2线性回归的极大似然估计

4.3逻辑回归的极大似然估计

4.4凸优化基本概念

4.5最近邻域法

4.6朴素贝叶斯分类器

4.7支持向量机

4.8 GBDT和分类模型评估

资料下载报名后支持下载

* 课程提供者:CDA数据分析师