Система аналізу позичальників на основі методів машинного навчання

Скорочена інформація про документ
dc.contributor.advisorНовотарський, Михайло Анатолійович
dc.contributor.authorПриплавка, Дмитрій Григорійович
dc.date.accessioned2020-01-17T09:49:41Z
dc.date.available2020-01-17T09:49:41Z
dc.date.issued2019
dc.description.abstractenThe work consists of an introduction and four sections. Total workload: 79 sheets of main text, 14 illustrations, 23 tables. In preparation, literature from 17 different sources was used. Actuality. The use of artificial intelligence and machine learning in various spheres of public life is gaining increasing popularity, with the growing number of banks and financial and credit institutions and their clients. Therefore, the problem of quickly and accurately determining the borrower's creditworthiness and riskiness becomes increasingly important. The purpose and objectives of the study. The purpose of the master's thesis is to build machine learning models that will allow you to select reliable borrowers. The paper reviews the methods of credit assessment in Ukraine and the world, examines what makes up scoring systems and what tasks they solve. An argumentation is made as to why it makes sense to apply machine learning algorithms in these tasks. The description of many popular methods of machine learning. Several models were built and the results of their work compared. The result was a system in the form of a web service capable of predicting the borrower's creditworthiness. The object of the study is the borrowers of the loans represented by the statistics with the selected characteristics. Subject of research - mathematical models, methods of machine learning, criteria for assessing the adequacy of scoring models. Research Methods. Methods and algorithms of machine learning were used to achieve the tasks set in the master's work. The scientific novelty of the results obtained is as follows: the creation of a system based on machine learning algorithms, which allows to significantly improve the accuracy of credit assessment, timely anticipate and effectively prevent the risks associated with banking. Personal contribution of the applicant. The master's research is a self-completed work that reflects the author's personal approach and personally obtained theoretical and applied results related to the task of analyzing borrowers using machine learning methods. Practical value. The results obtained can be used in future research in the following areas: • improving machine learning methods; • analysis and forecasting of borrowers' creditworthiness; • credit scoring systems.uk
dc.description.abstractukРобота 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.uk
dc.format.page87 с.uk
dc.identifier.citationПриплавка, Д. Г. Система аналізу позичальників на основі методів машинного навчання : магістерська дис. : 123 Комп’ютерна інженерія / Приплавка Дмитрій Григорійович. – Київ, 2019. – 87 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/30902
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectметоди машинного навчанняuk
dc.subjectкредитоспроможністьuk
dc.subjectаналіз позичальниківuk
dc.subjectкредитний скорингuk
dc.subjectскорингові системиuk
dc.subjectmachine learning methodsuk
dc.subjectcredit standinguk
dc.subjectborrower analysisuk
dc.subjectcredit scoringuk
dc.subjectscoring systemsuk
dc.subject.udc004.855.6uk
dc.titleСистема аналізу позичальників на основі методів машинного навчанняuk
dc.typeMaster Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
Pryplavka_magistr.docx
Розмір:
926.34 KB
Формат:
Microsoft Word XML
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.06 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ОТ)
Магістерські роботи