Deep Credit Risk: Machine Learning with Python
Kurzinformation
inkl. MwSt. Versandinformationen
Lieferzeit 1-3 Werktage
Lieferzeit 1-3 Werktage

Beschreibung
"Deep Credit Risk: Machine Learning with Python" von Harald Scheule ist ein Fachbuch, das sich mit der Anwendung von maschinellem Lernen im Bereich des Kreditrisikomanagements beschäftigt. Das Buch bietet eine umfassende Einführung in die Konzepte des Kreditrisikos und zeigt, wie moderne Machine-Learning-Techniken eingesetzt werden können, um Risiken effektiver zu bewerten und zu managen. Es beginnt mit einer Einführung in die Grundlagen des Kreditrisikos und der traditionellen Methoden der Risikobewertung. Anschließend führt es den Leser in die Welt des maschinellen Lernens ein, erklärt wichtige Algorithmen und Techniken und zeigt deren Anwendung im Kontext von Kreditrisikoanalysen. Der Autor legt besonderen Wert auf praktische Beispiele und Implementierungen in Python, wodurch Leser die Möglichkeit erhalten, das Gelernte direkt anzuwenden. Das Buch richtet sich sowohl an Fachleute aus dem Finanzsektor als auch an Data-Science-Enthusiasten, die ihre Kenntnisse im Bereich des Kreditrisikos vertiefen möchten. Es kombiniert theoretische Grundlagen mit praktischen Anwendungen und bietet so einen wertvollen Leitfaden für alle, die sich für die Integration von Machine Learning in das Kreditrisikomanagement interessieren.
Produktdetails
So garantieren wir Dir zu jeder Zeit Premiumqualität.
Über den Autor
- Kartoniert
- 576 Seiten
- Erschienen 2021
- Springer
- Hardcover
- 622 Seiten
- Erschienen 2017
- Packt Publishing
- Kartoniert
- 360 Seiten
- Erschienen 2018
- Manning
- paperback
- 310 Seiten
- Erschienen 1998
- IDW Verlag GmbH
- hardcover
- 643 Seiten
- Erschienen 2020
- Springer
- Gebunden
- 400 Seiten
- Erschienen 2020
- Carl Hanser Verlag GmbH & C...
- Kartoniert
- 883 Seiten
- Erschienen 2018
- mitp
- paperback
- 380 Seiten
- Erschienen 2019
- Springer
- paperback
- 697 Seiten
- Erschienen 2021
- Springer
- Gebunden
- 498 Seiten
- Erschienen 2015
- Springer


