AI 赋能

把大模型与智能工具引入备课、实训与过程评价

梳理 AI 在本课程中的具体赋能场景、工具链与可观测的能力画像。

AI 赋能教学

金融数据挖掘把机器学习用于信用、风险与投顾等真实问题。本课程强调可解释、可防御与可治理——模型不仅要准，还要让风险官、审计与监管看得懂。

将大模型与智能体引入课堂，覆盖从概念理解、代码实现到案例推演的全流程。

用监督学习从多源数据预测违约概率，关注样本不均衡与可解释性。

用图神经网络与异常检测识别复杂资金网络与可疑交易。

从风险偏好与行为数据出发，做客户分群与组合匹配。

用 NLP 从公告、研报与新闻抽取事件与情绪特征。

以下工具可在本课程学习与实验中辅助检索、编码、建模与可视化。

本地实现分类、聚类与图模型，数据不出域。

系统学习回归与分类的方法、评估与最佳实践。

构建资金与关系网络，支撑反洗钱可疑路径发现。

模型可解释工具，向业务与合规解释预测逻辑。

以下提示词可直接复制到主流大模型，辅助学习与本课程实验（请核验输出、遵守学术规范）。

信用评分

请用逻辑回归与 XGBoost 对比信用评分建模，说明如何处理样本不均衡与解释特征重要性。

可解释性

请解释在金融风控中为何 Accuracy 不够，应使用什么风险调整指标评估模型。

使用 AI 须恪守学术诚信、数据安全与行业合规底线。

黑箱模型难以上线，须能向合规与监管解释决策逻辑。

训练数据偏见会放大歧视，需做公平性审计与人工复核。

涉及个人金融数据须合规授权，遵守隐私与安全要求。