Сквозной курс банковского скоринга: WOE/IV, leakage и честные сплиты, модели, fairness, A/B, FastAPI/MLOps, защита перед комитетом и портфолио. 8 модулей, 34 урока: DS в банке; банковские данные и разведка; подготовка данных; моделирование; оценка качества; A/B в банке; прод и мониторинг; Capstone.
Научиться видеть бизнес-проблемы банка и переводить их в задачи, которые может решить ML, считая эффект в деньгах.
Научиться переводить расплывчатые запросы бизнеса в конкретные ML-задачи и понимать, когда ML вообще не нужен.
Научиться измерять эффект DS-проектов в деньгах, презентовать результаты бизнесу и готовить документацию для регуляторов.
Понять, как устроены данные в банке, где они лежат, как связаны между собой и как правильно их принимать для анализа.
Научиться анализировать качество кредитного портфеля через vintage-анализ и выявлять проблемные когорты клиентов.
Научиться оценивать силу признаков для кредитного скоринга с помощью WOE (веса доказательства) и IV (информативности).
Научиться создавать визуализации, которые понимают бизнес-руководители и которые приводят к принятию решений.
Научиться правильно обрабатывать пропуски в данных, понимая, что пропуск — это часто сигнал, а не ошибка.
Научиться правильно кодировать категориальные признаки и работать с датами, чтобы модель получала максимум сигнала без утечек и переобучения.
Научиться создавать поведенческие признаки из транзакционных данных — самый мощный источник сигнала для банковских моделей.
Научиться работать с редкими событиями (дефолты, фрод, отток), когда целевой класс составляет менее 10% выборки.
Научиться обнаруживать и предотвращать утечки данных (leakage), которые приводят к провалу моделей в продакшене, и строить правильные временные сплиты.
Научиться строить честные временные сплиты для банковских моделей: performance window, gap-буфер, OOT-валидация и walk-forward бэктест.
Научиться строить точки отсчёта (baseline) для банковских моделей и доказывать в деньгах, что сложная модель действительно нужна, а не просто «красиво выглядит».
Научиться строить классические скоринговые карты на основе логистической регрессии с WOE-преобразованием и понимать, почему банки до сих пор используют этот «устаревший» метод.
Понять, как устроены деревья решений, Random Forest и градиентный бустинг, и научиться выбирать между ними для банковских задач.
Научиться честно сравнивать модели-кандидаты по пяти измерениям (качество, стабильность, объяснимость, экономика, эксплуатация) и принимать обоснованное решение для продакшена.
Научиться объяснять решения «чёрного ящика» (XGBoost) локально (для конкретного клиента) и глобально (для модели в целом) через SHAP и LIME, чтобы удовлетворить требования Нацбанка РБ.
Научиться оценивать качество скоринговых моделей через банковские метрики (AUC, KS, Gini, децильный анализ, калибровка) и понимать, когда какая метрика критична.
Научиться калибровать вероятности модели, выбирать оптимальный cut-off по финансовым критериям и проводить стресс-тестирование для требований Нацбанка РБ.
Научиться доказывать, что улучшение модели не случайно, используя DeLong-тест, bootstrap CI и McNemar's test, чтобы принимать обоснованные решения о выкатке.
Научиться проверять скоринговые модели на соответствие Конституции РБ и требованиям Нацбанка РБ, выявлять и устранять дискриминацию по защищённым признакам.
Научиться проектировать A/B-тесты для ML-моделей: рассчитывать MDE и размер выборки, проверять SRM, выбирать длительность и единицу рандомизации с учётом специфики банковского скоринга.
Понять разницу между частотным (p-value) и байесовским подходом к A/B тестам, правильно интерпретировать результаты и избегать ловушек peeking-проблемы.
Управлять риском ложных открытий при множественных сравнениях и sequential testing: Bonferroni, Holm, FDR и alpha-spending (O'Brien-Fleming, Pocock).
Пройти полный цикл A/B-теста от дизайна до решения: MDE и размер выборки, MD5-рандомизация, SRM, байесовский анализ и FDR-коррекция множественных метрик.
Сохранять модели в продакшен-форматах, описывать контракт входов/выходов и версионировать артефакты для аудита Нацбанка РБ.
Обернуть ML-модель в production-ready REST API на FastAPI: Pydantic, lifespan, /predict /health /metrics, логи для Нацбанка РБ и SLA 100 мс.
Упаковать FastAPI-сервис в production-ready Docker-образ: multi-stage build, non-root, health-check, .dockerignore и Compose для Kubernetes.
Мониторить ML-модели в продакшене: PSI и CSI для дрейфа, AUC и default rate для деградации, алерты и триггеры переобучения.
Автоматический feedback loop: ground truth, proxy-метрики, hybrid trigger, retraining pipeline, validation gate, canary и shadow.
Собрать данные, обучение, валидацию, экспорт и мониторинг в идемпотентный DAG: YAML-конфиг, Validation Gate, Model Card, оркестратор.
Защита ML-модели перед риск-комитетом: Executive Summary, перевод метрик в BYN, FAQ для CRO/юриста/НБРБ, LAER и Call to Action.
Упаковать 33 урока в портфолио, выбрать трек IC vs Management, подготовиться к 4 типам собеседований и построить маршрут роста на 3–5 лет.
Войдите и запишитесь, чтобы открывать уроки и сохранять прогресс.
Запишитесь на созвон с ментором: разбор кода, проекта, карьерного плана или практики с материалами платформы. Это часть консультационной услуги, не массовый онлайн-курс.