freshstartcleanin
freshstartcleanin
Platforma certyfikowana · dostęp globalny
Ekspertka ds. uczenia maszynowego i modeli scoringowych
Projekty studentów

Modele scoringowe
tworzone przez uczestników

Poniżej prezentujemy wybrane prace studentów platformy freshstartcleanin — projekty z zakresu uczenia maszynowego stosowanego w ocenie ryzyka kredytowego. Każdy projekt powstał w ramach indywidualnej ścieżki nauki.

Przewiń, by zobaczyć projekty

Wybrane realizacje

Projekty różnią się stopniem zaawansowania i podejściem metodologicznym — każdy odzwierciedla indywidualną drogę autora przez materiał kursu.

01
Regresja logistyczna

Model scoringowy ryzyka kredytowego dla banku detalicznego

Weronika zbudowała model klasyfikacyjny na zbiorze 38 000 rekordów z anonimizowanych danych bankowych. Kluczowym wyzwaniem było poradzenie sobie z silną nierównowagą klas — zaledwie 6,4% przypadków stanowiły faktyczne niewykonania zobowiązania. Zastosowała technikę SMOTE oraz kalibrację prawdopodobieństw wyjściowych modelu.

  • Python
  • scikit-learn
  • imbalanced-learn
  • Pandas

Autorka: Weronika Sobala

02
Gradient Boosting

Automatyczna klasyfikacja wniosków pożyczkowych metodą XGBoost

Damian skupił się na interpretowalności modelu — poza samą predykcją opracował raport wyjaśnialności z wartościami SHAP dla każdej decyzji kredytowej. Projekt zawiera też analizę wrażliwości na zmiany danych wejściowych, co jest istotne w kontekście regulacji bankowych.

  • XGBoost
  • SHAP
  • Optuna
  • Matplotlib

Autor: Damian Krężel

03
Uczenie nienadzorowane

Segmentacja klientów na potrzeby polityki kredytowej

Agnieszka zastosowała algorytm k-means i hierarchiczne grupowanie do wyodrębnienia siedmiu segmentów klientów różniących się profilem ryzyka. Dla każdego segmentu opracowała rekomendacje dotyczące warunków oferty kredytowej. Projekt zawiera interaktywne wizualizacje w Plotly.

  • scikit-learn
  • Plotly
  • SciPy
  • Seaborn

Autorka: Agnieszka Twardowska

04
Detekcja anomalii

Wykrywanie nieuczciwych transakcji w danych historycznych

Tomasz zbudował potok danych przetwarzający sekwencje transakcji kartowych i wykrywający wzorce charakterystyczne dla fraudu. Użył modelu Isolation Forest uzupełnionego o sieć neuronową LSTM. Projekt testowany był na publicznie dostępnym zbiorze danych Kaggle z ponad 280 000 transakcji.

  • TensorFlow
  • Isolation Forest
  • LSTM
  • NumPy

Autor: Tomasz Bielak

Czego uczą się studenci w praktyce

Punkt startowy

Teoria bez kontekstu

Większość kursantów zaczyna z ogólną wiedzą o statystyce i podstawami Pythona, ale bez doświadczenia z danymi finansowymi.

  • Znajomość regresji liniowej z podręcznika
  • Brak kontaktu z nierównowagą klas
  • Nieznajomość regulacji bankowych
  • Modele traktowane jako czarne skrzynki
→
Po realizacji projektu

Umiejętności gotowe do zastosowania

Projekt końcowy zmusza do zmierzenia się z realnymi problemami: brudnymi danymi, decyzjami metodologicznymi i interpretacją wyników.

  • Dobór metody do charakteru danych
  • Obsługa nierównowagi klas (SMOTE, wagi)
  • Wyjaśnialność modelu dla odbiorcy biznesowego
  • Ocena modelu przez metryki właściwe dla scoringu

Dane o projektach studentów

Liczby opisują skalę i charakter prac realizowanych przez uczestników platformy od 2020 roku.

214 ukończonych projektów od uruchomienia platformy
38 krajów uczestników nauka bez granic geograficznych
7 ścieżek tematycznych od podstaw do zaawansowanych modeli
Praca z danymi i modelami scoringowymi w praktyce

Jak projekt trafia na tę stronę

Nie każda praca końcowa jest tutaj prezentowana. Do publikacji trafiają projekty, które spełniają kilka warunków: kompletna dokumentacja, czytelna metodologia i wyniki omówione w kontekście zastosowania biznesowego.

Studenci sami zgłaszają chęć publikacji. Recenzja trwa zwykle dwa tygodnie — sprawdzamy kod, strukturę raportu i poprawność interpretacji metryk takich jak Gini, KS-statistic czy AUC-ROC.

Jeśli realizujesz projekt w ramach kursu i chcesz go opublikować, napisz na contact@freshstartcleanin.sbs. Opisz krótko temat i etap zaawansowania — odpiszemy z informacją, co jeszcze warto uzupełnić przed recenzją.