Фриланс-проекты

Фриланс-проекты

Разработка и обучение модели кредитного скоринга для финансовой компании

Python, Базы данных и SQL — неверно указаны категории?

Проект переведен автоматически. Войдите или зарегистрируйтесь, чтобы увидеть оригинал

1. Мета проєкту

Розробити модель кредитного скорингу для прогнозування платоспроможності клієнтів із трьома класами таргету:

погашення протягом 30 днів;
погашення протягом 60 днів;
дефолт.

2. Вихідні дані

Дані з кредитних заявок, анкет клієнтів та УБКІ.
Доступ до даних через PostgreSQL-запити.
Обов’язково: включити фінансові дані УБКІ.
Не використовувати: скорингові показники УБКІ через високу кореляцію з таргетом.

3. Таргет і вимоги до моделі

Таргет: 3 класи (30_days_paid, 60_days_paid, default).
Модель: AutoGluon (Python).
Мінімальна точність: 70% (для бінарної класифікації).
Оптимізаційна метрика: macro F1-score (для трьох класів).
Модель має підтримувати бінарну та трикласову класифікацію.

4. Бізнес-вимоги

Модель має враховувати різні категорії клієнтів і допомагати приймати рішення щодо схвалення заявок із урахуванням допустимого рівня ризику:

Для нових клієнтів: очікуваний рівень схвалення заявок — близько 8%, при цьому максимально допустимий рівень дефолтів — до 30%.
Для повторних клієнтів: очікуваний рівень схвалення заявок — близько 45%, із максимально допустимим рівнем дефолтів — до 10%.

Такі показники мають бути орієнтиром для налаштування моделі та оцінки її ефективності в реальних бізнес-умовах.

5. Технічні вимоги

Модель має підтримувати оновлення / донавчання.
Надати метрики: accuracy, precision, recall, F1-score, ROC-AUC.
Валідація: stratified k-fold (k ≥ 5).
Обов’язково надати:
- feature importance,
- SQL-запити для формування датасету,
- опис ознак,
- інструкцію для повторного навчання (retrain).

6. Очікувані результати

Файл моделі (.pkl або .model).
SQL-запити для формування датасету.
Звіт з метриками, аналітикою та графіками результатів.
Інструкція з розгортання та повторного навчання моделі

Термін виконання до 14 календарних днів з моменту надання доступу до бази даних

Ставки 4

Konstantin Kuzmichev

0 0

Проекты -
Оценка -
Рейтинг 164

Бюджет: 27000 UAH Срок: 10 дней

У меня 20 лет в разработке. Разрабатывал различные системы, включая предсказание. Работал с различными моделями: LSTM, RandomForest, XGBoost, MLP и другими. У меня есть опыт разработки в крупных проектах с большим объемом данных (Deutsche Bank и Oracle Field Service Cloud).
Буду рад обсудить детали.

Illia Antipiev

63 2

Проекты 61
Оценка 4.8
Рейтинг 2 209

Бюджет: 6000 UAH Срок: 10 дней

Здравствуйте
Готов выполнить ваш проект
Могу рассмотреть различные типы моделей (деревья, MLP, кластеризацию) и выбрать лучшую
Предоставлю код для дообучения и отчет о работе

Roman Z.

7 0

Проекты 7
Оценка 5.0
Рейтинг 1 562

Бюджет: 1000 UAH Срок: 1 день

Добрый день!
Меня зовут Роман, и я вхожу в топ-5 разработчиков в категории «Искусственный интеллект и машинное обучение» среди ~1600 специалистов на платформе.
Гарантирую:
- Быстрое и качественное выполнение задания
- Четкое соблюдение дедлайнов
- Регулярная связь на протяжении всего процесса
Буду рад обсудить детали вашего проекта в личных сообщениях.

Ярослава Моршна
Киев, Украина
Compassway

Проектов 31
Оценка 5.0
Рейтинг 1 588

Разработка и обучение модели кредитного скоринга для финансовой компании

1. Мета проєкту

2. Вихідні дані

3. Таргет і вимоги до моделі

4. Бізнес-вимоги

5. Технічні вимоги

6. Очікувані результати

Термін виконання до 14 календарних днів з моменту надання доступу до бази даних

Konstantin Kuzmichev

Illia Antipiev

Roman Z.

Ставки скрыты

Ставки пока отсутствуют

Актуальные фриланс-проекты в категории Python

Необходимо реализовать проект по сбору и структурированию большого массива изображений.

Разработка программы (pipeline) для автоматизированной подготовки видеодатасета

Aspect

Создание бота

Развернуть Node.js Telegram-бота на VPS через Docker.