Credit scoring info források

(Bináris) klasszifikációhoz kapcsolódó, web-en keresztül elérhető info-források

Néhány, Credit scoring elemzések implementációjára alkalmasnak tűnő, szabad forrású eszköz.

Források

R 

  How I created a package in R & published it on CRAN / GitHub (and you can too)?

  Az R statisztikai programozási környezet:

Scikit-learn 

  Cheat Sheets for Machine Learning

   Cheatsheet:Scikit Learn 

    A comparison of a several classifiers in scikit-learn on synthetic datasets
    Logistic Regression 3-class Classifier
    Plot classification probability
    Multilabel classification

     Gradient Boosted Regression Trees in scikit-learn

    Machine Learning For Dummies

  What-are-the-advantages-of-different-classification-algorithms

    Gradient Boosting Out-of-Bag estimates
   
     https://en.wikipedia.org/wiki/Evaluation_of_binary_classifiers
    Pixel importances with a parallel forest of trees 

    Recognizing hand-written digits
    Faces recognition example using eigenfaces and SVMs
    Compressive sensing: tomography reconstruction with L1 prior (Lasso)
   
    Libsvm GUI

    Dataset loading utilities
x


x




x

• 1.1. Generalized Linear Models

   1.1.11. Logistic regression

  •   student_intervention   credit scoring

  
  
  Practical Guide on Data Preprocessing in Python using Scikit Learn - Feature Scaling - Feature Standardization - Label Encoding - One-Hot Encoding - One-Hot Encoding  
  scikit-learn bevezető - egy osztályozási feladat megoldása logisztikus regresszióval

  Randomized Logistic Regression

• 1.4. Support Vector Machines
  1.4.1. Classification
  1.4.2. Regression
  1.4.3. Density estimation, novelty detection
  1.4.4. Complexity
  1.4.5. Tips on Practical Use
  1.4.6. Kernel functions
  • 1.4.6.1. Custom Kernels
  
  1.4.7. Mathematical formulation
  • 1.4.7.1. SVC
  • 1.4.7.2. NuSVC
  • 1.4.7.3. SVR
   1.4.8. Implementation details
  ANN Approach for Credit Risk 
• HiperparaméterekMATLAB programcsomagban
  svm parameters
  Neurális hálózatok - Informatikai Kar - Debreceni Egy. (SVM)
• Kernel gépek vizsgálata 

  A tartó vektor gépek kialakulása

  SVM osztályozásra

  Az optimális hipersík a lineárisan szeparálható esetben

  Az optimális hipersík a nem szeparálható esetben

  Az SVM használata nem-lineáris szeparálásra

  Az SVM tanítása

  Numerikus példák

  CREDIT–RISK SUPPORT VECTORS M. / MULTILAYER NEURAL NETW.
  Support Vector Machines for Credit Scoring    G-Drive
  LS-SVMs for credit rating of banks   ( ... that the LS-SVM would not improve upon  the  OLR  classifier,  the  probability  of  observing  the  reported
      performances  is  almost  zero, meaning that the assumption of equal performances is not correct. dataset  was  retrieved  from  BankScope)
  Kernel módszerek
  scikit-learn-example-in-10-lines
  
  CORPORATE
  ftp://ftp.repec.org/opt/ReDIF/RePEc/ami/articles/11_4_5.pdf
  http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.93.6492&rep=rep1&type=pdf

• 1.10. Decision Trees

• 1.11. Ensemble methods

•  https://github.com/scikit-learn/scikit-learn/tree/master/examples/ensemble
• python - How to handle categorical variables in sklearn_(ROC)

  GradientBoostingClassifier with a BaseEstimator in scikit-learn?
  
  23
  

  gtakacs:adatelemzes_11.html

  Complete Guide to Parameter Tuning in Gradient Boosting (GBM) in python.

  Ensemble Machine Learning COMPARATIONS with scikit-learn 

  Gradient boosting (Ricco Rakotomalala)

  GradientBoosting

  AdaBoost Classifier, Gradient Boosting and Random Forest

  
  

  Numerai intro with scikit-learn and pandas - step by step

  python - How to handle categorical variables in sklearn

  Testing for the gradient boosting module

  User Churn Prediction: A Machine Learning Example

  Testing for the gradient boosting module

  Mi az a krosszvalidáció?

  Decision trees and boosting

  Getting Started with Data Science – Python

  Gradient Boosted Regression Trees

  Understanding Gradient Boosting, Part 1

•  
  
  • 1.11.2. Forests of randomized trees
    1.11.2.1. Random Forests
    1.11.2.2. Extremely Randomized Trees
    1.11.2.3. Parameters
    1.11.2.4. Parallelization
    1.11.2.5. Feature importance evaluation
    1.11.2.6. Totally Random Trees Embedding
  • sklearn.ensemble.RandomForestClassifier.
  • Véletlen erd̋ok -Szabó Adrienn
  • Döntési fa,Véletlen erdő, Előrecsatolt többrétegű neuronháló,SVM, Kernel „trükk”.
  • Együttes módszerek
  • docplayer-Random-forests-veletlen-erdok
  • http://www.sze.hu/~gtakacs/oktatas/adatelemzes/adatelemzes_11.html
  • http://r-projekt.hu/letoltes
  • Adatbányászati esettanulmányok
    
  • 1.11.3. AdaBoost
    
    • 1.11.3.1. Usage
    
    
     AdaBoost tanuló algoritmus
     Rob Schapire: AdaBoost
   
  
  • 1.11.4. Gradient Tree Boosting
    1.11.4.1. Classification
    1.11.4.2. Regression
    1.11.4.3. Fitting additional weak-learners
    1.11.4.4. Controlling the tree size
    1.11.4.5. Mathematical formulation
    1.11.4.6. Regularization
    1.11.4.7. Interpretation
    
  • 1.11.5. VotingClassifier 
  • sklearn.ensemblesk
  • learn.ensemble.GradientBoostingClassifier
  •  Modellek kombinálása (forest eljárások) [Hidasi]
    Gradient Boosted Regression Trees
  •  
  •  

    Adaboost and forward stagewise additive modeling

  •  Ensemble Learning és Scikit-learn
    Matlab támogatás
    Moduláris háló kialakítása a tanító mintakészlet módosításával
    Machine-learning-in-R-for-credit-scoring
    Recent Methods from Statistics and Machine Learning for Credit Scoring
  •  
  •  
    XGBOOST - LightBOOST
      

7 Steps to Mastering Machine Learning With Python

• 1.13. Feature selection
  1.13.1. Removing features with low variance
  1.13.2. Univariate feature selection
  1.13.3. Recursive feature elimination
  1.13.4. Feature selection using SelectFromModel
  1.13.5. Feature selection as part of a pipeline
• 1.17. Neural network models (supervised)

 Deep Learning

• Neural Network wrapper for pylearn2 compatible with scikit-learn.
• Building a Neural Net To Predict Loan Default -  Tensorflow
• http://dlib.net/
• TensorFlow - GPU desktop, server, mobile device, single API - Python lib 
•  Convolutional Neural Networks for Visual recognition
•  Understanding Convolutional Neural Networks for NLP
•  Learning AI if You Suck at Math
  • Deep Learning and Convolutional Neural Nets in Plain English!
•  ImageNet Classification with Deep Convolutional Neural Networks
  • database

•  Deep Learning - MIT Press book
  • 6 Deep Feedforward Networks
  • 7 Regularization for Deep Learning
  • 8 Optimization for Training Deep Models
  • 9 Convolutional Networks
  • 10 Sequence Modeling: Recurrent and Recursive Nets
  • 11 Practical Methodology
  • 12 Applications
  • 
    
•  The Loss Surfaces of Multilayer Networks
•  Regularization
•  http://ml4a.github.io/classes/itp-S16/
•  https://plus.google.com/u/0/collection/8n2UX?cfem=1
• 
  

•  
•  

Kaggle Datasets
Előfeldolg - Osztályozók és kiértékelésük - Weka

https://www.cs.elte.hu/blobs/diplomamunkak/bsc_mat/2011/dudas_laszlo.pdf 

https://www.researchgate.net/publication/271513838_On_Feature_Selection_for_Credit_Scoring
 credit scoring esetén fellépő szelekciós torzítás
http://phd.lib.uni-corvinus.hu/357/1/oravecz_beatrix.pdf
http://scikit-learn.org/stable/
https://www.quora.com/What-is-the-best-algorithm-for-automatically-calculating-a-credit-score
 Tutorial – Data Science at Command Line with R & Python (Scikit Learn)

PREDIKCIÓS CÉLÚ KLASSZIFIKÁLÓ STATISZTIKAI

MODELLEK GYAKORLATI KÉRDÉSEI -  Változó szelekció - particionálás

Credit risk modelling in python
A Beginner's Guide to Neural Networks with Python and SciKit Learn 0.18!

INTERPRETÁLHATÓSÁG

SPARK
     21 Steps to Get Started with Apache Spark using Scala

Kafka

Előadás (frissített) - Budapesti Műszaki és Gazdaságtudományi Egye

Az Apache Kafka használatának első lépései a HDInsightban

Apache Kafka for HDInsight | Microsoft Azure

Big Data Learning Path for all Engineers and Data Scientists out there  

Saját analitikával a LinkedIn is jobban muzsikál

 http://adatbanyaszat.blog.hu/

 http://python.hu/magyar-nyelvu-dokumentaciok

http://kreativ.hu/cikk/a_google_analytics_meg_nem_big_data 

https://prezi.com/lyudnveyjfp6/nagy-adathalmazok-kezelese-hadoop-technologiakkal/


Elvárások:

Risk Report

]A defaultráta, a nemteljesítési valószínűség és a szabályozás egyéb ...

Kockázatkezelés, Bázel III - Bankárképző

http://www.gtk.ke.hu/tartalom/doktori/ertekezes_-madar_laszlo.pdf

Covariate Shift – Unearthing hidden problems in Real World Data Science

Risk & Decision Analysis Software for Excel ...