01 课程介绍 模块一 实际项目数据概述 02 为什么要建模（以信贷产品应用为例） 03 建模的方法和流程介绍 04 案例数据介绍 05 Python编辑器安装教学 模块二 数据整合和清洗 06 主要步骤基本介绍 07 主要步骤具体讲解 08 实操讲解—环境设置 09 实操讲解—原始数据导入与整合 10 实操讲解—原始数据清洗 11 实操讲解—原始数据导出和总结 12 要点回顾及利用ChatGPT进行Debug讲解 模块三 样本的设计 13 样本设计基本概念介绍 14 设计方式具体讲解 15 实操讲解——训练集和验证集产生 16 要点回顾 模块四 变量初选 17 为什么要进行变量初选 18 变量初选方法介绍 （相关系数、变量搜索、主成分分析、KS值、信息值） 19 基于课程案例的变量初选 20 实操讲解—环境设置、数据集读取与变量统计 21 实操讲解—缺省值插入 22 实操讲解—相关性分析 23 实操讲解—回归方法 24 实操讲解—逻辑回归 25 实操讲解—主成分分析 26 实操讲解—KS值计算 27 实操讲解—信息值计算 模块五 变量处理 28 变量处理的目的 29 预测变量分析图 30 变量处理方法介绍 31 实操讲解—环境设置与数据集导入 32 实操讲解—环图表生成与分析 33 实操讲解—字符处理 34 实操讲解—字符处理数字变量处理 模块六 模型表现的度量 35 理解模型表现的度量 36 常用性能指标介绍—提升图 37 常用性能指标介绍—AUC 38 常用性能指标介绍—基尼指数 39 常用性能指标介绍——基尼指数和AUC值之间的关系 40 常用性能指标介绍—KS值和信息值 41 常用性能指标介绍—小结总结 42 实操讲解—环境设置、数据集读取与预测变量调整 43 实操讲解—建模 44 实操讲解—提升图 45 实操讲解—AUC值和基尼指数 46 实操讲解—KS值和信息值 47 实操讲解—本节回顾及插入提升图注意事项 模块七 模型搭建和选择 48 模型介绍—逻辑回归模型 49 模型介绍—前进搜索、梯度搜索、后退搜索 50 模型介绍—随机森林 51 模型介绍—GBM和XGBoost 52 模型的选择和AUC比较 53 实操讲解—环境设置与数据集读取 54 实操讲解—逻辑回归（所有变量） 55 实操讲解—逻辑回归（向前选变量） 56 实操讲解—逻辑回归（环境向后选变量） 57 实操讲解—随机森林 58 实操讲解—XGBoost和GBM 59 实操讲解—叠加模型 60 本节回顾 模块八 模型的验证和解释 61 流程介绍 （变量核查、评分代码、模型验证、分数分布和分割点） 62 实操讲解—环境设置与数据集读取 63 实操讲解—模型验证 64 实操讲解—模型解释（画图） 65 实操讲解—保存为模块 模块九 模型的实施设计 66 流程介绍 （法律合规、实施策略、交换集分析、经济效益、未来规划） 67 实操讲解—环境设置与变量选择 68 实操讲解—打分机制验证 69 实操讲解—策略曲线 70 实操讲解—对新的生产线上的总体数据打分 71 实操讲解——小结回顾 模块十 模型的监控设计 72 监测要点—总体稳定性监测 73 监测要点— 模型有效性监测 74 监测要点—变量水平监测 75 实操讲解—环境设置 76 实操讲解—总体稳定性例子 77 实操讲解—模型有效性说明