本书第一章首先概述了信用风险与信用评分的理论基础与发展脉络，总结了数智时代信用评分的特点和挑战，并明确了未来研究的技术方向。第二章详细讲解了信用评估最经典的统计测度方法——逻辑斯谛回归模型。针对高维数据问题，第三章介绍了多种可以显著提升模型稳定性与预测能力的新建模方法。第四章引入高维生存分析方法，讲解了适应零膨胀的两部模型和组变量结构的Cox模型，有助于精准风险评估。在第五、六章中，半监督学习和多源数据融合技术有效地解决了数据标注不足和来源复杂性等问题，提升了模型的效率和预测精度。在第七章，新的联邦学习和迁移学习等技术在隐私保护领域实现了安全可信的数据共享与建模。第八章关注深度学习在信用评分中的应用，稀疏深度神经网络等模型不仅在特征提取和非线性问题上表现优异，同时在实际应用中展现出了高度的灵活性和稳健性。