Интерпретируемое машинное обучение для кредитного скоринга

340 000 ₸

2026-04-01

274

945

Модели кредитного скоринга должны объяснять каждое решение об отказе или одобрении займа. Регуляторы требуют прозрачности, клиенты хотят понимать причины отказов, а риск-менеджеры нуждаются в контроле над логикой принятия решений.

Почему черные ящики создают проблемы

Градиентный бустинг дает точность 87%, но банк не может объяснить клиенту причину отказа в кредите. Нейросеть выявляет мошенничество, однако служба безопасности не понимает признаки подозрительных операций. Линейная регрессия прозрачна, но упускает нелинейные зависимости в данных заемщиков.

Что входит в программу

Изучите LIME и SHAP для объяснения предсказаний любых моделей. Постройте интерпретируемые деревья решений с ограничениями глубины. Примените GAM для выявления влияния каждого признака на решение. Создайте дашборды с визуализацией вклада факторов в скоринговую оценку.

Работайте с реальными датасетами заемщиков банка Астемир. Анализируйте требования регуляторов к прозрачности алгоритмов. Готовьте документацию для объяснения решений клиентам и аудиторам.

Программа обучения

Неделя 1-2: Основы интерпретируемости в банковском скоринге

Разбираете требования Basel III к прозрачности моделей. Сравниваете точность и интерпретируемость различных алгоритмов. Анализируете судебные дела по дискриминации в кредитовании.
Неделя 3-4: LIME и SHAP для объяснения предсказаний

Применяете Local Interpretable Model-agnostic Explanations к градиентному бустингу. Вычисляете SHAP values для выявления вклада признаков. Визуализируете объяснения для риск-менеджеров и клиентов.
Неделя 5-6: Интерпретируемые модели и GAM

Строите деревья решений с ограничениями сложности. Реализуете Generalized Additive Models для нелинейных зависимостей. Настраиваете монотонные ограничения на признаки дохода и возраста.
Неделя 7-8: Финальный проект

Создаете систему кредитного скоринга с полным объяснением решений. Готовите отчеты для регуляторов с описанием логики модели. Разрабатываете интерфейс для клиентов банка с причинами отказа.

Преподаватель Гульназ Ережепова работала риск-аналитиком в Halyk Bank и внедряла интерпретируемые модели скоринга

Практические кейсы

Разбор реальных задач банковского сектора с применением методов объяснимого машинного обучения

Регуляторные требования

Изучение стандартов прозрачности моделей и требований надзорных органов к интерпретируемости

Инструменты анализа

Работа с библиотеками SHAP, LIME и другими фреймворками для интерпретации моделей

Ключевые темы курса

Архитектура моделей Метрики интерпретируемости Документирование решений

Проектирование интерпретируемых систем

Изучите подходы к построению моделей машинного обучения, которые соответствуют требованиям прозрачности банковского сектора

Выбор архитектуры с учётом требований регуляторов
Баланс между точностью и объяснимостью
Методы упрощения сложных моделей
Визуализация логики принятия решений

Оценка прозрачности алгоритмов

Освойте методики количественной оценки интерпретируемости и подготовки отчётности для надзорных органов

Расчёт показателей Shapley
Локальная и глобальная интерпретация
Тестирование на предвзятость
Валидация объяснений модели

Подготовка технической документации

Научитесь составлять документацию по моделям в соответствии с регуляторными стандартами

Структура модельной документации
Описание логики принятия решений
Протоколы валидации и тестирования
Форматы отчётности для регуляторов