Platforma edukacyjna — od 2020 roku
Scoring ML
Czy wiesz, co naprawdę decyduje o tym, że model scoringowy działa — albo nie? Tu znajdziesz odpowiedź opartą na danych, nie na intuicji.
Skala, która mówi sama za siebie
Liczby, które warto znać przed decyzją
Słuchaczy aktywnie uczących się w tym roku akademickim
Krajów, z których pochodzą uczestnicy kursów
Modułów tematycznych obejmujących cały cykl życia modelu
Uczestników, którzy ukończyli kurs i ocenili go pozytywnie
Ile i za co płacisz
Kurs nie jest subskrypcją bez końca. Kupujesz dostęp do konkretnej treści — materiałów wideo, ćwiczeń w Pythonie i zestawów danych rzeczywistych — na określony czas. Nie ma ukrytych opłat za certyfikat ani za wsparcie mentora.
Trzy poziomy dostępu różnią się przede wszystkim zakresem materiałów i możliwością kontaktu z prowadzącym, nie sztucznymi limitami prędkości nauki.
Materiały aktualizowane co kwartał
Modele scoringowe nie istnieją w próżni. Regulacje Basel IV, zmiany w podejściu do danych PD/LGD i nowe biblioteki ML sprawiają, że treść sprzed trzech lat może już nie odpowiadać rzeczywistości. Dlatego każdy moduł jest przeglądany co kwartał.
Prowadzący kurs pracuje jednocześnie z instytucjami finansowymi — to oznacza, że przykłady w kursie pochodzą z realnych wdrożeń, nie z podręcznikowych zbiorów danych.
Jak to wygląda od środka
Przebieg nauki w czasie
Fundament danych
Zaczynasz od danych — nie od modelu. Czyścimy rzeczywisty zbiór kredytowy: brakujące wartości, outliers, zmienne kategoryczne. Pierwsze ćwiczenia są celowo proste, żeby zbudować nawyk pracy z kodem.
Budowa i walidacja
Trening pierwszego modelu logistycznego, potem gradient boosting. Uczysz się mierzyć to, co naprawdę ważne — Gini, KS, PSI — i rozumieć, dlaczego AUC sam w sobie nie wystarcza.
Interpretowalność
SHAP, wartości cząstkowe, raporty wyjaśnialności dla regulatora. Dowiadujesz się, jak przekazać wyniki modelu osobie, która nie programuje — to umiejętność rzadka i ceniona.
Wdrożenie i monitoring
Finalny projekt: pełny pipeline od surowych danych do modelu na produkcji z monitoringiem dryfu. Większość uczestników traktuje ten etap jako portfolio — i słusznie.
Środowisko, w którym uczysz się szybciej
Nauka przez internet może być samotna. Dlatego każdy uczestnik ma dostęp do zamkniętej grupy, gdzie zadaje pytania i dostaje odpowiedzi — od prowadzącego i od innych uczestników, którzy często pracują w bankach, fintechach i firmach ubezpieczeniowych.
Nie jest to forum bez moderacji. Pytania techniczne są odpowiadane w ciągu 48 godzin. Dyskusje dotyczące konkretnych przypadków branżowych pojawiają się co tydzień.
Pracowałem z modelami od lat, ale dopiero tutaj zrozumiałem, dlaczego moje poprzednie podejście do walidacji było błędne. Moduł o PSI zmienił to, jak patrzę na monitoring.
Kurs nie obiecuje cudów. Obiecuje konkretną wiedzę — i ją dostarcza. Projekt końcowy trafił prosto do mojego portfolio i był tematem rozmowy kwalifikacyjnej.
Gdzie jesteś, a gdzie możesz być
Nie chodzi o to, że nie masz wystarczającej wiedzy. Chodzi o to, że brakuje jej struktury.
Teraz
Znasz podstawy statystyki i Pythona, ale nie wiesz, jak złożyć z tego działający model scoringowy, który przejdzie walidację regulacyjną.
Podczas kursu
Budujesz kompletny pipeline — od surowych danych przez feature engineering, trening, walidację aż po monitoring dryfu w czasie. Każdy krok jest udokumentowany i możliwy do odtworzenia.
Po ukończeniu
Masz projekt w portfolio, certyfikat potwierdzający zakres kursu i — co ważniejsze — nawyk pracy z danymi, który zostaje na długo po ostatniej lekcji.