Прогнозування банкрутства підприємств методами машинного навчання
Тип публікації :
Бакалаврська робота
Дата випуску :
2023
Автор(и) :
Костовецький Євгеній Дмитрович
Науковий(і) керівник(и)/редактор(и) :
Кравець Тетяна Вікторівна
Мова основного тексту :
ua
eKNUTSHIR URL :
Цитування :
[APA 7] Костовецький, Є. Д. (2023). Прогнозування банкрутства підприємств методами машинного навчання [Бакалаврська робота, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/123456789/630
[ДСТУ] Костовецький Є. Д. Прогнозування банкрутства підприємств методами машинного навчання : кваліфікаційна робота бакалавра : 05 Соціальні та поведінкові науки / наук. кер. Т. В. Кравець. Київ, 2023. 77 с. URL: https://ir.library.knu.ua/handle/123456789/630 (дата звернення: 25.07.2026).
Обʼєкт дослідження: банкрутство підприємств
Мета дослідження: порівняння різних алгоритмів машинного навчання для прогнозування неплатоспроможності підприємства за певний період часу на основі сукупності фінансових показників компанії
Методи дослідження: алгоритми машинного та глибинного навчання – бутстрепова агрегація, опорно-векторні машини з лінійним та радіально-базисним ядром, штучні нейронні мережі, випадковий ліс, алгоритм підсилювання, алгоритм k-найближчих сусідів, дерева рішень, логістична регресія, згорткові нейронні мережі, нейронні мережі прямого поширення, рекурентні нейронні мережі та довга короткочасна пам’ять, а також методи балансування даних – Random over-sampling, SMOTE, ADASYN, Random under-sampling та Near-Miss
Наукова новизна, теоретична значимість: виявлення найбільш ефективної комбінації методів машинного навчання та балансування даних для прогнозування банкрутства
Практична цінність: використання методології прогнозування банкрутства підприємствами для аналізу поточного фінансового стану та визначення ймовірності неплатоспроможності компанії
Мета дослідження: порівняння різних алгоритмів машинного навчання для прогнозування неплатоспроможності підприємства за певний період часу на основі сукупності фінансових показників компанії
Методи дослідження: алгоритми машинного та глибинного навчання – бутстрепова агрегація, опорно-векторні машини з лінійним та радіально-базисним ядром, штучні нейронні мережі, випадковий ліс, алгоритм підсилювання, алгоритм k-найближчих сусідів, дерева рішень, логістична регресія, згорткові нейронні мережі, нейронні мережі прямого поширення, рекурентні нейронні мережі та довга короткочасна пам’ять, а також методи балансування даних – Random over-sampling, SMOTE, ADASYN, Random under-sampling та Near-Miss
Наукова новизна, теоретична значимість: виявлення найбільш ефективної комбінації методів машинного навчання та балансування даних для прогнозування банкрутства
Практична цінність: використання методології прогнозування банкрутства підприємствами для аналізу поточного фінансового стану та визначення ймовірності неплатоспроможності компанії
The work is interesting for comparing different methods of machine and deep learning along with approaches for handling imbalanced data sets for bankruptcy predicting.
Галузі знань та спеціальності :
05 Соціальні та поведінкові науки
05 Соціальні та поведінкові науки::051 Економіка
Галузі науки і техніки (FOS) :
Соціальні науки
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
1.56 MB
Контрольна сума :
(MD5):e48ff6ad713e5d0f7831df387082b400
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International