Search academic texts

Information × Registration Number 2119U007346, Article popup.category Бакалаврська робота Title Методика прогнозування платоспроможності на основі машинного навчання (AI translated) popup.author Скидан Богдан ОлеговичSkydan Bohdan Olehovych popup.publication 01-01-2019 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/29544 popup.publisher Київ Description Дипломна робота: 47 с., 5 рис., 7 табл., 15 джерел. Об’єктом дослідження є оцінка платоспроможності позичальника у коригування моделі для отримання найкращих результатів. сучасному сенсі цього поняття. Предметом дослідження є модель машинного навчання для прогнозування ймовірності дефолту позичальника. Метою даної роботи є розробка методики для автоматизації оцінювання платоспроможності, шляхом оцінки історії банківських транзакцій. Завданням цієї роботи є: 1. Розгляд існуючих на сьогоднішній день моделей для оцінки платоспроможності. 2. Дослідити загальні підходи щодо побудови моделей оцінки, використовуючи принципи та технології машинного навчання. 3. Провести аналіз вхідних даних, попередньо провести їх обробку, прибрати шум, та розробити моделі машинного навчання. 4. Виконати навчання моделі на тестових вхідних даних та подальше Thesis contains 47 c., 5 Fig., 7 Tabl., 15 sources. The object of this work is reviewing of existing models for forecasting solvency today. The subject of my research is machine learning model for forecast prediction of client default. The purpose of this work is development of a technique for automation of solvency estimation using history of bank transactions. Consider common approaches of evaluation models using principles and technologies of machine learning. Task of this work are: 1. To considerate models, for solvency assessment, that exists today. 2.To research general approaches of assessment model creation, using the principles and technologies of machine learning. 3. To analyze input data, previously make them suitable for researching and remove noise and to develop models of machine learning. 4. To train model on test data with next correcting model, for obtaining the best results. popup.nrat_date 2025-11-05 Close