Система підтримки прийняття рішень при кредитуванні
Тип публікації :
Бакалаврська робота
Дата випуску :
2022
Автор(и) :
Іваніна Сава Олександрович
Мова основного тексту :
ua
eKNUTSHIR URL :
Цитування :
[APA 7] Іваніна, С. О. (2022). Система підтримки прийняття рішень при кредитуванні [Бакалаврська робота, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/123456789/2752
[ДСТУ] Іваніна С. О. Система підтримки прийняття рішень при кредитуванні : кваліфікаційна робота бакалавра : 12 Інформаційні технології. Київ, 2022. 88 с. URL: https://ir.library.knu.ua/handle/123456789/2752 (дата звернення: 25.07.2026).
У ході виконання роботи було наведено означення кредитоспроможності і виявлено, що оцінка кредитоспроможності позичальника є одним з ключових факторів для зниження ризиків при кредитуванні. Були розглянуті основні існуючі методи для оцінки кредитоспроможності і виявлені їх переваги та недоліки. Було доведено, що оцінка кредитоспроможності за допомогою скорингових технологій є потужним інструментарієм кредитного ризик-менеджементу, що дозволить значно знизити ризики банківської або фінансової установи при наданні кредитів. Також були розглянуті основні методи реалізації моделі кредитного скорингу. Для розробки моделі були обрані основні алгоритми машинного навчання для задачі класифікації. Було описано суть кожного з алгоритмів машинного навчання та наведено основні переваги та недоліки кожного з них. Також були розглянуті основні метрики для оцінювання точності моделі, побудованої на обраних методах. Було обґрунтовано та прийняте рішення використовувати мову програмування Python як основний програмний засіб для реалізації моделі кредитного скорингу. Був описаний процес розробки системи підтримки прийняття рішень при кредитуванні. Був проведений етап збору, аналізу та попередньої обробки даних на якому були описані та оброблені вхідні дані перед процесом навчання моделі. Також був проведений процес навчання моделей на методах машинного навчання для вирішення задачі класифікації, які були описані у другому розділі. При аналізі результатів роботи моделей навчених за різними методами машинного навчання було виявлено, що метод випадкового лісу виявився найбільш ефективним на обраних даних серед інших методів у даній задачі.
Галузі знань та спеціальності :
12 Інформаційні технології
122 Комп’ютерні науки
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
1.9 MB
Контрольна сума :
(MD5):80962d86a4f9eb9f9818cd135fb2b98f
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International