第一部分
从不确定性到可解释的风险决策
先建立概率思维与风险解释框架，再学习用数据驱动的模型处理信用评分、欺诈识别与客户分群。
第一章：贝叶斯方法与概率决策
从先验、似然和后验出发，理解基础率、误报与不确定性；以农户和小微信贷风险评估为例，学习朴素贝叶斯及其解释边界。
第二章：熵、决策树与集成算法
学习信息熵、信息增益、随机森林与梯度提升；在违约预测、异常交易与特征重要性分析中讨论准确率、稳定性和公平性。
第三章：递归回归、梯度下降与正则化
理解模型参数如何随数据更新，学习过拟合、正则化与时间序列中的训练—验证边界；结合小微企业现金流变化讨论在线更新。
第四章：聚类与客户画像
使用 K-means、混合模型和降维方法识别客户群体；把统计上的“相似”转化为可解释、可审查的服务与风险策略。