Eφαρμογή μεθόδων μηχανικής μάθησης με μερική επίβλεψη στην πρόβλεψη πτωχεύσεων επιχειρήσεων

  1. Bachelor’s thesis
  2. ΠΑΠΑΔΟΜΙΧΕΛΑΚΗΣ, ΘΕΟΔΩΡΟΣ
  3. Πληροφορική (ΠΛΗ)
  4. 2016 [2016]
  5. Ελληνικά
  6. 118
  7. Κωτσιαντής, Σωτήριος
  8. Μηχανική Μάθηση | Πρόβλεψη Πτώχευσης Επιχειρήσεων | KEEL
  9. 0
  10. 0
    • Η παρούσα πτυχιακή εργασία ασχολείται με την εφαρμογή αλγορίθμων μηχανικής μάθησης με μερική επίβλεψη στο πρόβλημα της πρόβλεψης της πτώχευσης επιχειρήσεων. Το θέμα αυτό δεν ενδιαφέρει μόνο την επιστημονική κοινότητα, αλλά είναι χρήσιμη πηγή πληροφόρησης για την λήψη αποφάσεων από πιστωτικά ιδρύματα, αναλυτές επενδύσεων, εταιρίες αξιολόγησης της πιστοληπτικής ικανότητας, ασφαλιστές, φορείς άσκησης πολιτικής και κάθε εταιρία που εμπλέκεται στην επέκταση και διαχείριση πιστώσεων. Η εφαρμογή αλγορίθμων μηχανικής μάθησης έχει μελετηθεί στη βιβλιογραφία για το δεδομένο πρόβλημα, αλλά η συμβολή της εργασίας, είναι η εφαρμογή αλγορίθμων μάθησης με μερική επίβλεψη, στην οποία χρησιμοποιούνται προταξινομημένα μαζί με μη ταξινομημένα από τον εκπαιδευτή παραδείγματα, για την παραγωγή του τελικού μοντέλου (αντί η εκπαίδευση να γίνεται π.χ. με την χρονοβόρο χειροκίνητη διαδικασία). Τα αποτελέσματα είναι πολύ ικανοποιητικά αφού η μάθηση με μερική επίβλεψη επικρατεί σε σχέση με άλλους αλγόριθμους μηχανικής μάθησης δίνοντας καλύτερα προβλέψεις σε αταξινόμητα δεδομένα.
    • This thesis deals with the application of semi-supervised machine learning algorithms to the problem of business bankruptcy prediction. This issue is not only of interest to the scientific community, but is a helpful source of information for decision making by credit institutions, investment analysts, credit rating companies, insurers, and every company involved in the expansion and management of credit. Applying machine learning algorithms has been studied for the given problem and the contribution of this work is to implement semi-supervised learning algorithms that use pre-classified with unclassified examples, to produce the final model (instead of education done by time-consuming manual process). The results are very satisfactory since semi-supervised learning prevails over other machine learning algorithms, allowing better forecasting for unclassified data.
  12. Hellenic Open University
  13. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.