本项目课主要针对互联网金融行业的个人用户和流量渠道进行反欺诈模型算法分析和具体实现。通过两个实战项目，带领学生深入了解反欺诈模型算法的应用及实践，提高学生模型实现能力和实战能力，为学生职业发展提供帮助。 项目一：基于PCA的渠道反欺诈项目，主要介绍基于主成分分析（PCA）的渠道反欺诈模型，帮助学生了解基本的PCA算法原理和应用场景。 项目二：多模型（LR，树模型，xgboost）针对用户的反欺诈项目，主要介绍针对个人用户的多模型反欺诈项目，涵盖了逻辑回归、树模型和xgboost等多种模型。

项目覆盖的应用： 中文分词、关键词抽取、主题模型、文本聚类、文本分类、用户意图识别、文本情感分析、知识图谱、智能客服等自然语言处理9个实战项目。 项目与讲解中覆盖到的知识点: N-gram、语言模型、词袋模型(bag of words)、TF-IDF、TextRank、word2vec、word embedding、朴素贝叶斯、逻辑回归、支持向量机、textCNN、textRNN、LSTM、双向深层LSTM、seq2seq、attention机制、Transformer、ELMo、GPT、BERT等

项目覆盖的应用： 图像分类、迁移学习与多任务学习、目标检测、图像语义分割、图像检索与排序、车辆检测。 项目与讲解中覆盖到的知识点： tensorflow、pytorch应用、tensorflow serving、VGG/Inception/Xception/DenseNet、fine-tuning、迁移学习、多任务学习(multi-task learning)、Faster-RCNN、YOLO、Mask-RCNN、局部敏感度哈希、近似最近邻算法、deepranking算法等

项目覆盖的应用： 电商与新零售销量预估问题、时间序列预测问题、推荐系统系统建模、推荐系统评估、用户行为预估、CTR预估。 项目与讲解中覆盖到的知识点：facebook prophet、LSTM、seq2seq、时间序列预测、协同过滤、隐语义模型、点击率(转化)预估、排序模型、逻辑回归、FM、GBDT/Xgboost+LR、FFM、Wide&&Deep、DeepCross、DeepFM、DIN、ESMM

项目覆盖的应用：互联网金融场景下的风控模型、互联网公司风控模型、 信用评分与风控反作弊业务介绍。项目与讲解中覆盖到的知识点：互金ABC卡、数据清洗、变量分箱、WOE编码、变量相关性分析、变量筛选、逻辑回归、GBDT/Xgboost+LR、模型评估、评分卡构建、评分卡监控、稳定度、区分能力、模型可解释性、Java对机器学习模型部署上线