第1天

1、数据挖掘基础

1.企业中数据分析的层级

2.数据挖掘方法论

3.数据挖掘的核心思维

4.算法建模的四个要素

5.算法模型分类介绍

6.数据挖掘落地场景框架

7.数据挖掘建模模型的评估

2、数据挖掘框架下再造回归算法

1.岭回归方法

2.LASSO回归算法

3.用Sklearn包实现以上回归算法的超参数调优

4.金融行业常用的几种广义回归模型

5.用线性回归做产品价值预测案例

6.用逻辑回归做保险精准营销案例

第2天

3、机器学习算法进阶

1. 决策树进阶精讲(分类树与回归树)

2. 欠拟合与过拟合专题

3. 模型训练与超参数搜索

4. 集成学习基础

5. 随机森林

6.某金融机构反欺诈建模案例

第3天

4、集成学习专题

1. XGBoost

2. LightGBM

3. 相关库的使用与参数说明

4. 进阶的超参数搜索方法(随机搜索，贝叶斯搜索等)

5. 数据类别不平衡专题

第4天

5、推荐算法、时间序列预测与特征工程

1. 推荐算法整体框架介绍

2. Apriori和FP-TREE算法及银行业应用案例

3. 时间序列ARIMA算法

4. 时间序列LSTM算法

5. 股票价格预测案例

6. 特征升维方法

7. 特征降维方法

8. 特征创新方法

第5天

6、异常识别算法与分类算法拓展

1.半监督学习KNN算法

2.贝叶斯生成式算法

3.局部异常因子和孤立森林算法

4.某金融机构反欺诈建模案例

5.支持向量机SVM算法

6.凸优化和SVM与GBDT公式推导

第6天

7、综合案例：信用评分卡构建全流程

1.使用LightGBM进行拒绝推断

2.特征筛选与WOE转化

3.特征降维

4.数据清洗

5.进行评分卡转换

6.模型评估：技术指标和业务指标

说明：使用toad或Scorecardpy包建立评分卡全流程，提供标准的信用评分卡制作模板