简介
随着第三方支付的迅猛发展，PayPal的风险控制也面临着日新月异的挑战。PayPal风险管理部门一直致力于利用基于大数据的机器学习的模型和灵活的规则检测欺诈交易和欺诈用户。PayPal利用自主研发的大数据机器学习系统，不仅能满足盗号（Account take over）、盗卡（Stolen financial）等传统欺诈用例的模型自动化构建，亦能服务于新兴的同谋（Collusion）、洗钱（Money laundry）、信用（Credit）等新型欺诈用例。同时，整个大数据系统还可以提供规则的自动学习、自动化的特征类型识别、自动化的特征选择、标准化的模型输出等等功能。随着数据的增加和大数据技术的使用，PayPal不仅能利用更多的数据开发出更复杂的特征用以构建性能更优异的模型，其整个的服务架构也采用微服务化、基于流式计算的方式提高系统的可靠性和可扩展性。
目前，随着大数据技术的发展以及数据产品的应用和推广，尤其是在工业和商业领域，企业使用机器学习来提升收入或是降低成本的方式愈加有效。这其中，预防欺诈、定位电子广告的目标客户、内容推荐、建造更好的汽车、瞄准更好的潜在市场、优化媒体改善医疗保障服务等都证明大数据机器学习的多功能性和广泛的适用性。
现在金融行业获取的数据来自用户的方方面面，风险管理又是做好金融甚至是互联网金融的重中之重。整个的核心就是如何能够产生一个合适的f(x)，用来量化违约概率，本课程结合互联网金融企业的支付风险、大数据基础、风险管理中的机器学习来深度解析现今行业的利弊。
目标
1. 了解互联网支付风险管理的总体解决方案和总体设计架构；
2. 了解风险管理中的机器学习；
3. 了解如何收集、存储以及利用数据用以构建以数据为中心的决策产品；
4. 结合实践案例分析支付风险的经典案例；
5. 介绍PayPal如何利用大数据技术做机器学习的数学模型检测欺诈的行为。
课程时长
2天（12H）
受众人群
数据产品经理、基于数据的应用架构师和应用开发人员、银行第三方支付等风险管理系统的构建者和开发者、互联网电商反作弊反欺诈系统的构建者和开发者。
分享提纲
| DAY1 | 互联网支付风险管理介绍 | 开场 游戏：用MapReduce计算组内平均工作年限，立即基于数据的计算和系统 1. 互联网支付风险管理介绍 1) 什么是风险管理？ 2) 为什么我们需要风险管理 2. 互联网支付欺诈类型 1) 传统的欺诈类型 2) “新”的欺诈类型 3. 互联网支付风险管理解决方案 1) 机器学习模型 2) 灵活的规则系统 3) 风险管理系统整体架构 4) 微服务的整体化架构以及整体的数据架构 |
| 风险管理中的机器学习 | 1. 机器学习介绍 1). 分类系统 2). 模型定义 3). 分类算法 4). 风险管理问题的数学建模 2. 实验：第一个分类模型 1). 数据中的问题 2). 如何处理数据 3). 构建数学模型 | |
| DAY2 | 大数据基础 | 1. Hadoop 1). HDFS介绍 2). MapReduce介绍 3). YARN介绍 4). 游戏：分布式排序 5). 实验：用MapReduce计算变量的均值和方差 2. Spark 1). Spark介绍 2). Spark MLLib介绍 |
| 风险管理中的大规模机器学习 | 1. Shifu介绍 0). 视频介绍 1). 可扩展的特征工程 2). 可扩展的数学建模 3). 复杂的多维度的特征 2. 讨论 |
京ICP备2022035414号-1
