Ανάλυση πιστωτικού κινδύνου μέσω μεθόδου μηχανικής μάθησης
| Přispěvatelé: | Μαγκλογιάννης, Ηλίας, Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων, Πληροφοριακά Συστήματα και Υπηρεσίες |
|---|---|
| Jazyk: | Greek, Modern (1453-)<br />Greek |
| Rok vydání: | 2023 |
| Předmět: | |
| DOI: | 10.26267/unipi_dione/2639 |
| Popis: | Η ταχεία εξέλιξη της τεχνολογίας, το ανταγωνιστικό περιβάλλον και ο τεράστιος όγκος δεδομένων που είναι διαθέσιμα στην σημερινή εποχή, λαμβάνουν υπόψη την επείγουσα ανάγκη των εταιρειών να μεταβούν σε μια νέα ψηφιακή πραγματικότητα. Η χρήση δεδομένων για την αυτοματοποίηση των διαδικασιών και των αποφάσεων μέσω της χρήσης νέων μεθόδων όπως η τεχνητή νοημοσύνη και η μηχανική μάθηση είναι κύριος στόχος των οργανισμών. Στα πρώτα βήματα της, η τεχνητή νοημοσύνη, αν και προκάλεσε ενθουσιασμό και ενδιαφέρον, δεν μπόρεσε να εφαρμοστεί με την αναμενόμενη επιτυχία. Πρόσφατες τεχνολογικές εξελίξεις και ανακαλύψεις κατέστησαν τις εφαρμογές της Τεχνητής Νοημοσύνης εμπορικά βιώσιμες. Η Τεχνητή Νοημοσύνη καθίσταται μια από τις πιο δημοφιλείς τεχνολογίες η οποία πρόκειται να μετασχηματίσει τον τραπεζικό κλάδο, καθώς οι εφαρμογές της αποδεικνύονται βιώσιμες και η αποδοχή τους από τους πελάτες ικανοποιητική. Στον τραπεζικό κλάδο η Τεχνητή Νοημοσύνη εφαρμόζεται, μεταξύ άλλων, στην εξυπηρέτηση πελατών, στην ανίχνευση απάτης και ξεπλύματος μαύρου χρήματος, στην εφαρμογή κανονιστικής συμμόρφωσης, στην ανάλυση και την αξιολόγηση του πιστωτικού κινδύνου. Στην παρούσα διπλωματική εργασία αναπτύχθηκαν τρία μοντέλα εποπτευόμενης μηχανικής μάθησης, με τα οποία γίνεται η ταξινόμηση των πελατών μίας τράπεζας σε «καλούς» ή «κακούς» με βάση την πιθανότητα αθέτησης των υποχρεώσεών τους. Οι αλγόριθμοι που χρησιμοποιήθηκαν είναι οι Random Forest, KNN και Decision Trees. The rapid development of technology, the competitive environment and the huge amount of data available today, take into account the urgent need of companies to move to a new digital reality. The use of data to automate processes and decisions through the use of new methods such as artificial intelligence and machine learning is a major goal of organizations. In its first steps, Artificial Intelligence, although it aroused excitement and interest, could not be implemented with the expected success. Recent technological developments and discoveries have made Artificial Intelligence applications commercially viable. Artificial Intelligence is becoming one of the most popular technologies that is going to transform the banking industry, as its applications prove to be viable and their acceptance by customers satisfactory. In the banking industry, Artificial Intelligence is applied, among other things, to customer service, fraud detection and money laundering, regulatory compliance, credit risk analysis and assessment. In this dissertation, three models of supervised machine learning were developed, which classify the customers of a bank into ”good” or ”bad” based on the possibility of default. The algorithms used are Random Forest,KNN and Decision Trees. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|