<h3 style="text-align:justify;"><strong>Описание задачи</strong></h3>

<p style="text-align:justify;">Кредитный скоринг - классическая банковская задача, с которой многие из вас уже сталкивались в различных курсах и туториалах. Традиционными подходами к решению данной задачи являются логистическая регрессия и градиентный бустинг. К сожалению, данные подходы связаны с необходимостью тщательной генерации признаков, в результате чего большая часть информации безвозвратно теряется при построении всевозможных агрегатов. Альтернатива классическим методам - использование подходов, позволяющих учитывать последовательную структуру данных и не создавать агрегаты, к таким подходам относятся рекуррентные нейронные сети и трансформеры. Участникам соревнования предлагается на основе полученных в треке знаний попробовать свои силы и поучаствовать в соревновании на последовательных данных, состоящих из карточных транзакций. Для соревнования мы подготовили большой датасет, состоящий из транзакционной истории клиентов банка. Каждая такая транзакция содержит информацию о сумме покупки, месте, дате, mcc-категории, валюте и признаки от платежной системы. Обучающая выборка собрана за N дней, тестовая выборка за последующие K дней.</p>

<h3 style="text-align:justify;"><strong>Проверка решений</strong></h3>

<p style="text-align:justify;">Позиция на лидерборде зависит от качества предсказания дефолта по кредитным заявкам.&nbsp; Метрика соревнования - AUC ROC.<br />
Для удобства участников нами был подготовлен набор пакетных методов предобработки данных, чтобы объем данных не стал препятствием для участия пользователей с небольшим количеством доступных вычислительных ресурсов.</p>

<h3 style="text-align:justify;"><strong>Призы</strong></h3>

<p style="text-align:justify;">Первые три команды получат приз - фирменный мерч Альфа-Банка<br />
&nbsp;</p>

Предсказание выхода в дефолт по данным карточных транзакций

Public

Private

User Agreement

<p>I accept <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/UserAgreement.pdf" rel="noopener noreferrer" target="_blank">Terms of User Agreement and Privacy Policy</a></p>

Privacy Policy

<p>I give my <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/Consent.pdf" rel="noopener noreferrer" target="_blank">consent</a> to &laquo;Sorevnovaniya Analiza Dannykh&raquo; LLC to process and transfer my personal data to the partners of the event for information interaction</p>

Consent

<p>I <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/Email.pdf" rel="noopener noreferrer" target="_blank">agree</a> to receive newsletters from &laquo;Sorevnovaniya Analiza Dannykh&raquo; LLC&nbsp;about key ODS.AI activities</p>

<p>I am Interested in receiving job offers</p>

first_name

First name

last_name

Last name

country

Country (lat)

city

City (lat)

email

Email

slack_name

Your ODS Slack nickname

study_place

Study place

study_specialty

Study specialty

work_place

Work place

work_position

Work position

expectations

Expectations

interests

Interests

preferred_language

Preferred language

about

About

Registration application for Data Fest 2022

Соревнование на данных карточных транзакций

Predictions

В видео будет рассказано какие в банке существуют последовательные данные,  какие задачи и как с помощью них решаются

Теория

Видео 1: Нейросетевой подход для обработки последовательных данных

В данном квизе предлагаем тебе ответить на вопросы (серьезные и не очень) по первому видео: "Нейросетевой подход для обработки последовательных данных"

Квест

Квиз по видео 1

В этом видео мы расскажем, как в Альфа-Банке применяются нейросетевые модели на последовательностях карточных транзакций для предсказания вероятности дефолта

Видео 2: Нейросетевые модели на карточных транзакциях

В данном квизе предлагаем тебе ответить на вопросы (серьезные и не очень)  по второму видео "Нейросетевые модели на карточных транзакциях"

Квиз по видео 2

В этом соревновании предлагается решить задачу кредитного скоринга клиентов Альфа-Банка, используя историю карточных транзакций

Соревнование

В этом видео мы расскажем, как в Альфа-Банке применяются нейросетевые модели на последовательностях транзакций расчетного счета для задачи кредитного скоринга

Видео 3: Нейросетевые модели на транзакциях расчетного счета

В данном квизе предлагаем тебе ответить на вопросы (серьезные и не очень)  по третьему видео "Нейросетевые модели на транзакциях расчетного счета"

Квиз по видео 3

В этом видео мы расскажем, как мы в Альфа-Банке используем данные кредитных историй для предсказания дефолта клиентов по кредитам, а также анонсируем соревнование по анализу данных с призовым фондом в 600 тысяч рублей

Видео 4: Нейросетевой кредитный скоринг на данных кредитных историй

В данном квизе предлагаем тебе ответить на вопросы (серьезные и не очень) по четвертому видео "Нейросетевой кредитный скоринг на данных кредитных историй"

Квиз по видео 4

Соревнование на данных кредитных историй

В этом соревновании предлагается решить задачу кредитного скоринга клиентов Альфа-Банка, используя только данные их кредитных историй

В этом видео мы расскажем, как в Альфа-Банке применяются нейросетевые модели на транзакциях для решения задач склонности и оттока.

Видео 5: Задачи склонности и оттока

В данном квизе предлагаем тебе ответить на вопросы (серьезные и не очень) по пятому видео "Задачи склонности и оттока"

Квиз по видео 5

В этом видео мы поделимся полученными результатами, процессом внедрения наших решений в продакшн, а также дальнейшими планами

Видео 6: Основные результаты, продакшн и новые вызовы

В данном квизе предлагаем тебе ответить на вопросы (серьезные и не очень) по шестому видео "Основные результаты, продакшн и новые вызовы"

Квиз по видео 6

Как выровнять распределения данных на трейне и проде, как изменится процесс обучения нейронных сетей и, конечно, про бизнес-эффект.

Видео 7: Побеждаем смещение распределения в задаче нейросетевого кредитного скоринга

Видео 8: Социальный скоринг и модель одобрения

Видео 9: Сиквел «DL in finance»: рассеивая туман бэклога | DL in finance

Видео 10: Социальный скоринг и модель одобрения | DL in finance

Видео 11: Нейросетевые модели на последовательностях чеков ОФД | DL in finance

Видео 12: Единая нейросетевая модель кредитного скоринга | DL in finance

alfa-tg-notboring

alfa-cardtr

alfa-tranrasch

alfa-habr

FeaturedBanner-7cef0ecc

Магистратура Альфа-Банк x МФТИ

<p>&nbsp;</p>

<p>Привет! В треке Лаборатории машинного обучения вы узнаете, как при помощи нейронных сетей можно значительно улучшить метрики в классических банковские задачах: кредитный скоринг, склонность к продуктам и предсказание оттока. В банках нативным образом собираются огромные массивы данных по транзакциям, кредитным историям, коммуникациям с клиентами и логам из мобильного приложения. Каждый источник &mdash; это многомерный временной содержащий до 10000 элементов последовательности, а каждый элемент до 100 признаков. Архитектуры нейронных сетей позволяют выжимать из этих данных максимум за счет обработки в сыром виде. Из цикла видео вы узнаете об источниках данных, архитектурах нейронных сетей и приемах для их обучения и устройстве нашего продакшна. По окончанию трека вы сможете применить новые знания в решении двух задач на реальных данных с совокупным призовым фондом 600 000 рублей.&nbsp;</p>

<p>&nbsp;</p>

<figure class="media">
<div data-oembed-url="https://www.youtube.com/watch?v=XEwBuc3Dp18">
<div style="position: relative; padding-bottom: 100%; height: 0; padding-bottom: 56.2493%;"><iframe allow="autoplay; encrypted-media" allowfullscreen="" frameborder="0" src="https://www.youtube.com/embed/XEwBuc3Dp18" style="position: absolute; width: 100%; height: 100%; top: 0; left: 0;"></iframe></div>
</div>
</figure>

<p>&nbsp;</p>

Применение нейронных сетей на многомерных временных данных для решения классических банковских задач

Добро пожаловать на ежегодное мероприятие сообщества Open Data Science - Data Fest.
Это наш третий фестиваль в онлайне, где мы обновим версию ODS до 3.0 🎉  Жми "Участвовать" чтобы получать наши рассылки и апдейты на почту.

#	Teams (54)	ROC AUC	Last	Entries
1	Timofey_Zheleznyakov_MIPT	0.778709	3y	28
2	Kirill Shestakov MIPT	0.776803	3y	3
3	0f2a8af84279	0.776797	3y	3
4	cheetos crunchy	0.776778	3y	4
5	BayesSons_MIPT	0.776778	3y	1
6	Stanislav Chistyakov	0.772981	3y	1
7	Сергей Зуденков МФТИ	0.770704	3y	11
8	Vladimir Tochilin MIPT	0.768723	3y	1
9	Shura V	0.767574	3y	15
10	Fomberg Vladislav Aleksandrovich	0.766849	3y	3
11	Daniel Chshebentovskiy	0.766817	3y	5
12	Demid Gaibov MIPT	0.766815	3y	6
13	Nikita Elenberger	0.766195	3y	1
14	Aleksander Sokolov	0.766077	3y	1
15	Игорь Асонов МФТИ	0.765539	3y	10
16	Evgeny Abramov MIPT	0.7649	3y	2
17	Ilya Rogatov	0.762714	3y	6
18	Anton Pilkevich MIPT	0.762435	3y	3
19	Aleksandr Mikhailovich Kleimenov	0.762123	3y	1
20	Arina_MIPT	0.761519	3y	1
21	Mikhail Bashkirov_MIPT	0.7613	3y	5
22	Natalia Vladimirovna Volkova	0.760309	3y	3
23	123	0.760027	3y	2
rnn_advanced_baseline -		0.76
24	nikitoys and	0.759387	3y	4
25	Ruslan Khalitov	0.758916	3y	6
26	Kseniya Polovchenia MIPT	0.758131	3y	8
27	d924df514063	0.757738	3y	2
28	Zaven Martirosian	0.756746	3y	2
29	Kirill Vladimirov	0.756478	3y	3
30	Andrey T	0.755648	3y	2
31	Maksim Shkut МФТИ	0.755113	3y	9
32	Gemini IT	0.754307	3y	1
33	Sergey Ivanov	0.753497	3y	1
rnn_baseline -		0.75
34	Vitalii Grebennik	0.744149	3y	1
35	Daria Stepanova	0.74236	3y	1
36	Wanderer	0.740772	3y	16
37	Nikita Semionov	0.740193	3y	7
38	GigaChadScience	0.738668	3y	2
39	Richard Mask	0.738531	3y	2
40	Cookiethief	0.737141	3y	3
41	Alexander Ryzhkov	0.737141	3y	1
42	Egor Plotnikov	0.737082	3y	3
43	Deja VU	0.737072	3y	5
44	Aleksey Savin	0.737072	3y	6
45	Oksana Pshenichko MIPT	0.737013	3y	7
boosting_baseline -		0.737
46	Chuviliaeva_MIPT	0.736752	3y	6
47	Kirill Isupov	0.736709	3y	1