Lorsqu'une banque prête de l'argent à une personne, elle prend le risque que cette dernière ne rembourse pas cet argent dans le délai convenu. Ce risque est appelé Risque de Crédit. Alors avant d'octroyer un crédit, les banques vérifient si le client (ou la cliente) qui demandent un prêt sera capable ou pas de le rembourser. Cette vérification se fait grâce à l'analyse de plusieurs paramètres tels que les revenus, les biens, les dépenses actuelles du client, etc. Cette analyse est encore effectuée manuellement par plusieurs banques. Ainsi, elle est très consommatrice en temps et en ressources financières.

Grâce au Machine Learning, il est possible d'automatiser cette tâche et de pouvoir prédire avec plus de précision les clients qui seront en défaut de paiement.

Projet 1 : Machine Learning pour la modélisation du Risque de crédit (Credit Scoring) dans R

Cette formation est hébergée sur ma chaîne YouTube : https://youtube.com/playlist?list=PLmJWMf9F8euTlCGNR9OQgUzvXmB3aCc3G

Il s'agit d'une formation que j'ai conçue et à travers laquelle vous apprendrez à construire et évaluer un modèle de Machine Learning pour prédire si un demandeur de crédit sera en défaut de paiement ou non.

A travers cette formation, vous développerez vos compétences en :

✅ programmation avec le langage R (création de fonctions, boucle for, structure if, ggplot2, etc.) ;

✅ analyse statistique et visualisation des données en utilisant la célèbre librairie Tidyverse ;

✅ Machine Learning (Modèles GLM, Stepwie Regression Model, librairie pROC, etc.). Lien de la formation : https://youtube.com/playlist?list=PLmJWMf9F8euTlCGNR9OQgUzvXmB3aCc3G

Rejoignez-moi vite dans la formation 🙂.

Projet 2 : Analyse exploratoire des données sur le risque de crédit dans Python

Ce projet est un cours disponible sous forme d'une vidéo sur ma chaîne YouTube J.A DATATECH CONSULTING : https://youtu.be/k8pifdQjtEA

Dans ce cours, vous apprendrez à effectuer une analyse approfondie de vos ensembles de données afin de découvrir les informations (insights) qu'elles contiennent.

Projet 3 : Utilisation de Machine Learning Automatisé dans Azure ML pour la construction d'un modèle capable de prédire si un demandeur de crédit bancaire pourra ou non rembourser le prêt

• Construction d'un modèle en utilisant la fonctionnalité Machine Learning Automatisé de Microsoft Azure Machine Learning ;

• Déploiement du modèle en tant que service prédictif ;

• Simulation d'une application cliente développée avec Streamlit (framework Python pour le développement d'applications web) qui va utiliser le modèle déployé pour effectuer de nouvelles prédictions.

Voici la vidéo de ce projet : https://youtu.be/OGqx0VOn1yg

Projet 4 : Intégration dans Shinydashboard d'un modèle de Machine Learning pour la prédiction du Risque de Crédit bancaire.

• Construstion d'un modèle de forêt aléatoir pour modéliser la probabilité de défaut de paiement et prédire si un demandeur de prêt pourra ou non rembourser son crédit.
• Déploiement du modèle dans une application web type tableau de bord qui affiche la probabilité de défaut de paiement d'un nouveau demandeur de crédit ainsi que son statut (Eligible ou non Eligible au crédit.)

Trouvez la vidéo de ce projet sur ma chaîne YouTube : https://youtu.be/uU4kjctCFDw

Mercide vous abonner à ma chaîne YouTue, de liker et de partarger mes vidéos : https://www.youtube.com/channel/UCpd56FfjlkKbkHlbgY6XE3w