Data Science in Finance: Dimension Reduction

Daftar Sekarang

Data Science in Finance: Dimension Reduction

Pada modul Machine Learning for Finance: Credit Risk Prediction kita mempelajari penerapan algoritma decision tree C5.0 untuk memprediksi credit scoring/rating seorang nasabah berdasarkan variabel-variabel seperti pendapatan, tenor pinjaman dan banyaknya tanggungan.

Dataset untuk rating kredit pada umumnya memiliki banyak sekali variabel. Harapan dari mencatat data dengan banyak variabel ini adalah membuat model yang bisa membuat klasifikasi credit rating yang akurat. Namun besarnya jumlah variabel ini juga menimbulkan persoalan tersendiri, yaitu banyaknya redundant variabel, kesulitan melakukan visualisasi, kesulitan menjelaskan model dan besarnya storage yang diperlukan.

Di sinilah teknik statistika Principal Component Analysis dapat berperan, yaitu sebagai teknik unsupervised machine learning untuk mengurangi banyaknya variabel (dimension reduction) untuk digunakan sebagai input untuk algoritma lain tanpa banyak mengurangi kualitas dari prediksi rating.

Institusi DQLab
Subjek Data Science
Bahasa Bahasa Indonesia
Metode Full Online
Detail 6 Chapters, 45 Sub-babs
Sertifikasi Data Science in Finance: Dimension Reduction

Silabus & Beban Materi Pengajaran

Buka semua

Pendahuluan

  • Credit Scoring
  • Kuis
  • Kuis
  • Kuis
  • Overview Principal Component Analysis
  • Kuis
  • Kuis
  • Kuis

Reduksi Dimensi

  • Asumsi-asumsi
  • Langkah-langkah Principal Component Analysis
  • Package dan Fungsi R
  • Package dan Fungsi R: Fungsi prcomp() dan princomp()
  • Contoh
  • Contoh | Langkah 1: Standarisasi Data
  • Contoh | Langkah 2: Menghitung Nilai Matrik Kolerasi Data
  • Contoh | Langkah 3: Menghitung nilai Eigen dan vektor Eigen
  • Contoh | Langkah 4: Memilih banyaknya Principal Component
  • Contoh | Langkah 5: Visualisasi dengan Biplot
  • Contoh | Langkah 6: Menghitung skor baru
  • Tugas Praktik
  • Kuis Screeplot
  • Kuis Biplot
  • Kuis Biplot

Studi Kasus: 4 Variable

  • Studi Kasus: 4 variable
  • Statistika Deskriptif
  • Split Dataset
  • PCA dengan prcomp()
  • Banyaknya Principal Component
  • Visualisasi Output
  • Tugas Praktik: 4 Variable

Studi Kasus: 8 Variable

  • Studi Kasus: 8 variable
  • Statistika Deskriptif
  • Split Dataset
  • PCA dengan prcomp()
  • Banyaknya Principal Component
  • Visualisasi Output
  • "Predict" dengan Test Set
  • Tugas Praktik: 8 Variable

Teori Penunjang (Aljabar Linier)

  • Penjumlahan dan Perkalian Matriks
  • Koordinat dan Kombinasi Linier
  • Nilai Eigen dan Vektor Eigen
  • Contoh
  • Tugas Praktik

Kesimpulan

  • Keterbatasan PCA
  • Kesimpulan

Informasi Pengajar

Belum / tidak ada data pengajar pada kursus ini

Dibuat dan dikembangkan di Jakarta, Indonesia Hak Cipta Dilindungi 2015 - 2020 PT Manual Muda Indonesia ©
Rencanamu App

Platform Persiapan Kuliah & Karir No 1