Система аналізу позичальників на основі методів машинного навчання
Ескіз недоступний
Дата
2019
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Робота складається із вступу та чотирьох розділів. Загальний обсяг роботи: 79 аркушів основного тексту, 14 ілюстрації, 23 таблиць. При підготовці використовувалася література з 17 різних джерел.
Актуальність. Дедалі більшу популярність набуває використання штучного інтелекту та машинного навчання в різноманітних сферах суспільного життя, зростає кількість банків та фінансових й кредитних установ та їхніх клієнтів. Тому все більшого значення набуває проблема швидкого та точного визначення кредитоспроможності та ризикованості позичальника.
Мета і завдання дослідження. Метою магістерської роботи є дисертації є побудова моделей машинного навчання, що дозволять відбирати надійних позичальників.
В роботі проведено огляд методів оцінки кредитоспроможності в Україні та світі, розглянуто, з чого складаються скорингові системи та які задачі вирішують. Наведено аргументацію, чому є сенс застосовувати алгоритми машинного навчання в даних задачах. Наведено опис багатьох популярних методів машинного навчання. Побудовано декілька моделей та порівняно результати їх роботи. В результаті було отримано систему у вигляді веб сервісу, що здатна передбачати кредитоспроможність позичальника.
Об’єкт дослідження – позичальники кредитів, представлені статистичними даними з обраними характеристиками.
Предмет дослідження – математичні моделі, методи машинного навчання, критерії оцінювання адекватності скорингових моделей.
Методи досліджень. Для досягнення поставлених в магістерській роботі задач, використано методи та алгоритми машинного навчання.
Наукова новизна одержаних результатів роботи полягає у наступному: запропоновано створення системи, що базується на алгоритмах машинного навчання, яка дозволяє значно підвищити точність оцінки кредитоспроможності, своєчасно передбачати та ефективно запобігати ризикам, пов’язаним з банківською діяльністю.
Особистий внесок здобувача. Магістерське дослідження є самостійно виконаною роботою, в якій відображено особистий авторський підхід та особисто отримані теоретичні та прикладні результати, що відносяться до вирішення задачі аналізу позичальників за допомогою методів машинного навчання.
Практична цінність. Отримані результати можуть використовуватися у майбутніх дослідженнях за напрямками:
•вдосконалення методів машинного навчання;
•аналіз та прогнозування кредитоспроможності позичальників;
•системи кредитного скорингу.
Опис
Ключові слова
методи машинного навчання, кредитоспроможність, аналіз позичальників, кредитний скоринг, скорингові системи, machine learning methods, credit standing, borrower analysis, credit scoring, scoring systems
Бібліографічний опис
Приплавка, Д. Г. Система аналізу позичальників на основі методів машинного навчання : магістерська дис. : 123 Комп’ютерна інженерія / Приплавка Дмитрій Григорійович. – Київ, 2019. – 87 с.