Система підтримки прийняття рішень оцінювання кредитних ризиків

Скорочена інформація про документ
dc.contributor.advisorКузнєцова, Наталія Володимирівна
dc.contributor.authorКрючков, Дмитро Олександрович
dc.date.accessioned2025-02-04T12:51:24Z
dc.date.available2025-02-04T12:51:24Z
dc.date.issued2024
dc.description.abstractМагістерська дисертація: 120 с., 41 рис., 25 табл., 1 дод., 35 джерел. Мета дослідження – розробка масштабованої системи підтримки прийняття рішень (СППР) для оцінювання неповернення кредитів фізичними особами, що містить в собі сучасні методи машинного навчання, за допомогою якої можна отримати результат за окремими запитами. Об’єкт дослідження – кредитні ризики, підходи до їх оцінювання. Предмет дослідження – методи та моделі машинного навчання для оцінювання кредитних ризиків, підходи до їх порівняння та покращення результатів, технології розробки СППР. В дисертації було проведено огляд проблематики оцінювання кредитних ризиків, методів та моделей машинного навчання для їх оцінювання, способи оцінки, покращення результатів та порівняння отриманих моделей. Також, було розроблено СППР, що дозволяє отримати результат по окремому запиту. В додатку A наведено лістинг розробленої програми мовою Python з застосуванням бібліотек Pandas, NumPy, Scikit-Learn, Matplotlib, Flask, розробленої в середовищі Jupyter Notebook.
dc.description.abstractotherThesis: 120 p., 41 figs., 25 tables, 1 appendix, 35 references. The study’s purpose is to develop a scalable decision support system (DSS) for evaluating the probability of individual credit defaults, incorporating modern machine learning methods and enabling result generation for individual requests. The object of the study is the set of credit risks and approaches to their assessment. The study’s subject is the set of machine learning methods and models for credit risk assessment, approaches to comparing and improving results, and technologies for developing a DSS. The study included a review of the challenges in credit risk assessment, machine learning methods and models for this purpose, ways to evaluate and improve results, and ways to compare the models obtained. The DSS was developed to generate results for individual requests. Appendix A contains the code listing of the Python application developed in the Jupyter Notebook development environment, which utilizes libraries such as Pandas, NumPy, Scikit-Learn, Matplotlib, Flask, and others.
dc.format.extent120 с.
dc.identifier.citationКрючков, Д. О. Система підтримки прийняття рішень оцінювання кредитних ризиків : магістерська дис. : 124 Системний аналіз / Крючков Дмитро Олександрович. - Київ, 2024. - 120 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/72352
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectсистема підтримки прийняття рішень
dc.subjectоцінка кредитних ризиків
dc.subjectмашинне навчання
dc.subjectградієнтний бустинг
dc.subjectdecision support system
dc.subjectcredit assessment
dc.subjectmachine learning
dc.subjectgradient boosting
dc.subject.udc303.732.4
dc.titleСистема підтримки прийняття рішень оцінювання кредитних ризиків
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Kriuchkov_magistr.pdf
Розмір:
2.44 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ММСА)
Магістерські роботи