01
课程导论与风控基础
什么是交易异常？为什么需要机器学习？课程目标与学习路径。
导论风控
02
环境搭建与工具链
Python环境、Jupyter Notebook、Pandas、Scikit-learn、Imbalanced-learn安装与配置。
Python工具
03
数据探索与可视化
使用Pandas进行数据概览，使用Matplotlib/Seaborn绘制交易金额、时间分布图。
EDA可视化
04
特征工程基础
时间特征提取（小时、星期、节假日）、金额特征（均值、标准差、Z-score）。
特征时间
05
特征工程进阶
用户行为画像（历史交易频率、平均金额）、设备指纹与IP地址特征编码。
画像编码
06
数据预处理
缺失值处理、异常值截断、数据标准化与归一化。
清洗归一化
07
样本不平衡问题
过采样（SMOTE）、欠采样（RandomUnderSampler）、集成采样（EasyEnsemble）。
不平衡SMOTE
08
逻辑回归模型
原理讲解、Scikit-learn实现、模型系数解读。
LR可解释
09
决策树与随机森林
原理讲解、特征重要性分析、过拟合控制。
树模型随机森林
10
XGBoost与LightGBM
梯度提升树原理、参数调优、训练加速技巧。
Boosting调参
11
模型评估指标
混淆矩阵、精确率、召回率、F1-score、AUC-ROC、KS值。
评估AUC
12
交叉验证与超参数调优
K-Fold交叉验证、GridSearchCV、RandomizedSearchCV。
调优CV
13
模型解释性
SHAP值计算与可视化、LIME局部解释。
SHAP可解释AI
14
规则引擎与模型融合
硬规则过滤（黑名单、金额阈值）、模型与规则加权融合。
规则融合
15
实时检测系统设计
特征计算窗口、模型加载与预测、阈值动态调整。
实时系统
16
异常检测之孤立森林
原理讲解、适用场景、与监督模型的对比。
孤立森林无监督
17
异常检测之自编码器
神经网络基础、Autoencoder结构、重构误差作为异常分数。
自编码器深度学习
18
时间序列异常检测
滑动窗口统计、Prophet模型、LSTM-AD。
时间序列LSTM
19
图神经网络在风控中的应用
交易图构建、Node2Vec、GCN基础。
GNN图
20
联邦学习与隐私计算
纵向联邦学习、横向联邦学习、差分隐私在风控中的实践。
联邦学习隐私
21
模型部署与API服务
Flask/FastAPI搭建预测接口、Docker容器化。
部署API
22
模型监控与漂移检测
PSI指标、数据漂移检测、模型性能衰减监控。
监控漂移
23
A/B测试与效果评估
在线实验设计、流量分割、显著性检验。
A/B实验
24
案例实战一：信用卡盗刷检测
完整流程从数据到部署。
实战信用卡
25
案例实战二：电商平台虚假交易识别
刷单、刷信誉。
实战电商
26
案例实战三：金融转账洗钱风险检测
团伙识别、资金链分析。
实战洗钱
27
案例实战四：账户登录异常检测
撞库、暴力破解、异地登录。
实战登录
28
模型迭代与持续学习
在线学习、增量训练、模型版本管理。
迭代MLOps
29
风控系统架构设计
实时计算（Flink/Kafka）、离线训练、特征存储（Redis/Feature Store）。
架构实时
30
课程总结与面试指南
常见面试题、项目经验包装、学习资源推荐。
总结面试