有监督学习

决策树

算法原理:决策树是类似于流程图的树结构，它的本质是基于个体的特征信息，将总体逐步拆分成不同的区域，使得每个区域中目标变量取值尽量集中于某个值(分类树)，或取值相近(回归树),然后提取出每个区域中目标变量取值信息，作为落入到该区域中的个体的目标变量的预测值。
算法分类:机器学习
用用方向:广泛用于营销，风控各类项目中，如:流失挽留、提升营销、信用评级、风险评估等
应用模型:丹姐贷款下月临时性逾期预警模型，年金型保险客户相应模型，股票型基金客户【持有】响应模型，按揭贷款短期预警模型，综消贷款长期预警模型，非寿险预定收益险客户相应模型，按揭贷款长期预警模型，小微贷款中期预警模型，货币型基金客户【未持有】响应模型，高流通理财客户【持有】响应模型，小微贷款短期预警模型，综消贷款短期预警模型，贵宾客户提升模型，非贵宾客户提升预测模型【5万-30万】，分红型保险客户响应模型，理财型保险响应模型，小微贷款下月违约预测模型，综消贷款中期预警模型，私银客户流失预警模型，稳赢客户响应模型，债券型基金客户【未持有】响应模型，低流通理财客户【持有】响应模型，高流通理财客户【未持有】响应模型，潜在私银客户识别模型，贵宾客户流失预警模型，按揭贷款中期预警模型，小微贷款长期预警模型，债券型基金客户【持有】响应模型，博赢客户响应模型

逻辑回归

算法原理:逻辑回归模型是由监督学习算法中的一种分类算法。它是一种广义的线性回归分析模型，其本质是找到于目标变量相关性较为显著的因变量，并拟合出这些因变量的最佳线性组合方式。
算法分类:机器学习
应用方向:广泛应用于营销、风控各类项目中，如:流失挽留、提升营销、信用评级、风险评估等
应用模型:小微普惠客户(S值12000-20000)提升模型，交叉客户销售理财相应模型，低流通理财客户[未持有]响应模型，贵宾客户大额转入预测模型，小微普惠客户(S值500-6000)提升模型，贵宾客户大额转入预测模型，小微普惠客户(S值6000-12000)提升模型，小微价值客户提升模型，理财到期后资金净流入预测模型，外呼渠道相应模型，货币基金客户【持有】相应模型，理财到期后资金净流出预测模型，消贷客户理财相应模型，中长期理财相应预测模型，存量客户贷款资质模型，结构性存款相应预测模型，贵宾客户大额异动预警模型，责任型保险客户相应模型，小微客户潜在不良贷款预测模型，人寿型保险客户响应模型，理财到期后购买基金预测模型，纯信用卡高潜力相应模型，理财到期后资金流入储蓄预测模型，消费贷相应模型，消贷下沉客群贷款准入评分白盒模型

LightGBM

算法原理:LightGBM是各快速的、分布式的、高性能的基于决策树算法的梯度提升框架。可用于排序，分类，回归以及很多其他的机器学习任务中。
算法分类:机器学习
应用方向:广泛应用于营销、风控各类项目中，如:产品推荐、信用评级、风险评估等
应用模型:小微贷款医院预测挖掘模型，消贷下沉客群贷款准入评分模型，理财到期后续购现金管理类理财预测模型，消贷客户资质评估模型，小微理财产品推荐模型二，大额存但首购预测模型，金融资产5万到30万贵宾零售客户流失概率预警模型，金融资产300万~600万贵宾零售客户流失概率预警模型，零售按揭非贵宾客户金融资产提升模型，定开型理财到期后资金净流出预测模型，零售按揭非贵宾客户钱包份额预测模型，金融自残100万~300万贵宾零售客户流失概率预警模型，小微有房识别模型，小微信用贷款客户资质评估模型，金融资产30万~50万贵宾零售客户流失概率预警模型，信用卡主题推荐模型，理财到期后续购非现金管理类理财预测模型，金融资产50万~100万贵宾客户流失概率预警模型，小微抵押贷款客户资质评估模型，理财到期后资金流入活期预测模型，机具存取款预测模型，最优库预测模型，理财到期后购买非货基金预测模型，小微贷款医院预测模型2.0，百川征信分-小微抵押，纯信用卡转有效借记卡数据挖掘模型，封闭型理财到期后资金净流出预测模型，百川征信分-小微信用，百川征信分-消贷，理财到期后购买定期储蓄预测模型，消贷下沉客群贷款准入评分白盒模型。

知识图谱

算法原理:知识图谱是吧负责的知识领域通过数据挖掘、信息处理、知识计算和图形绘制而显示出来，揭示知识领域的动态发展规律，为学科研究提供切实的、有价值的参考。
算法分类:机器学习
应用方向:申请反欺诈、资金网络分析、内部合规等。

线性回归

算法原理:线性回归是对一个或多个自变量和因变量之间关系进行建模的一种回归分析。是一个或多个成为回归系数的模型参数的线性组合。在线性回归中，数据使用线性预测函数来建模，并且位置的模型参数也是通过数据来估计。
算法分类:机器学习
应用方向:客户资产实力预测等

随机森林

算法原理:随机森林是一种集成的有监督学习算法，基于决策树与集成学习Bagging(袋装法)算法结合，实现数据的随机玄奇和特征的随机选取，使随机森林由较好的抗噪性，并具有很好的分类效果。
算法分类:机器学习
应用方向:广泛应用于营销，风控各类项目中，如：产品推荐、信用评级、风险评估等

GBDT

算法原理:GBDT梯度提升树是基学习器CART回归树与集成学习Boosting（提升法）算法的结合，它是不断减小训练过程产生的残差来达到将数据分类或者回归的算法。
算法分类:机器学习
应用方向:广泛用于营销、风控各类项目中，如:产品推荐、信用评级、风险评估等

ARMA

算法原理:ARMA模型为自回归移动平均模型，是解决平稳时间序列问题的模型，是由自回归模型(简称AR模型)与移动平均模型(简称MA模型)组合而成。
算法分类:机器学习
应用方向:储蓄存款预测、库存预测等

ARIMA

算法原理：ARIMA模型是一种广泛使用的用于时间序列越策的统计方法。ARIMA(p,d,q)模型为自回归平均移动模型，是自回归模型AR（即ARIMA(P,0,0)）与平均移动模型MA（ARIMA(0,0,q)）的混合。
算法分类:机器学习
应用方向:储蓄存款预测、库存预测等。

文本挖掘

算法原理：文本挖掘是对文本(即自然语言)进行处理，从文本数据中抽取有价值的信息和知识。主要过程由文本清晰、特征工程、特征选项、模型训练、评估构成。
算法分类：机器学习
应用方向：投诉咨询分析、消费场景分析等。

BP神经网络

算法原理：BP神经网络是一种多层的前馈神经网络，其主要特点是：信息是向前传播的，而误差是反向传播的；它由输入层，隐含层和输出层三部分组成，其中输入层与输出层均为一个，隐含层为一个或多个。
算法分类:深度学习；
应用方向:交易反欺诈等。

卷积神经网络

算法原理：卷积神经网络是一种包含卷积计算的多层的前馈神经网络，是深度学习代表算法之一，典型的卷积神经网络包括有输入层，卷积层，池化层，全连接层和输出层的五层结构。
算法分类:深度学习 ；
应用方向:图像识别。

无监督学习

聚类

算法原理：据类将事物根据其诸多特征的差异程度划分为若干类，是的在同一类中的个体在某种意义上倾向于彼此相似，而在不同类中的个体之间差异较大。
算法分类:机器学习
应用方向:客户细分
应用模型:创利积分模型，经营周期细分模型，私银客户细分模型，资产偏好模型，活跃度模型，贵宾流失客户原因细分，私银客户资产偏好细分模型，春引用卡客户细分模型，小伟经营特征户价值细分模型，渠道偏好模型，零售交易圈综合细分模型，零售交易权资产等级细分模型，贵宾客户细分模型，零售交易权产品偏好细分模型，信用卡交叉客户细分模型。

关联规则

算法原理:关联分析用于发现隐藏在大量数据中的相关性，从而挖掘出一个事物中某些属性或项目同时出现的规律和模式，这种模式通常关联规则表示。
算法分类:机器学习
应用方向:产品推荐
应用模型:贵宾客户产品序列管理模型(小微客群)，小微贷款同业定价挖掘模型，贵宾客户产品序列管理模型(保守谨慎客群)，贵宾客户产品序列管理模型(全量贵宾)，贵宾客户产品序列管理模型(私银客群)，贵宾客户产品序列管理模型(高价值高贡献群)，贵宾客户产品序列管理模型(成长均衡群)，贵宾客户产品序列管理模型(成熟稳健群)

协同过滤

算法原理：协同过滤(FC）是一种流行的推荐算法，其基于系统中其他用户的评分或行为进行预测和推荐。这种方法背后的基本假设是，通过选择和汇总其他用户的意见，以便对活跃用户的偏好提供合理的预测。
算法分类:机器学习
应用方向:产品推荐
应用模型:小微理财产品推荐模型，小微客户交叉销售产品推荐模型，对公客户财富管家产品推荐模型

专家打分

算法原理：专家打分是利用专家的知识和经验对评价对象做出判断和评价，主观因素占主导地位，判断结果往往是模糊的，随着模糊数学的发展，专家的这种评价思维过程得以定量化，使得专家打分法的科学性更强，更容易被人们所接受。
算法分类：机器学习
应用方向：用户细分、产品推荐

文本挖掘

算法原理：文本挖掘是对文本(即自然语言)进行处理，从文本数据中抽取有价值的信息和知识。主要过程由文本清晰、特征工程、特征选项、模型训练、评估构成。
算法分类：机器学习
应用方向：投诉咨询分析、消费场景分析等。
若有收获，就点个赞吧