Разработка самообучающейся интеллектуальной информационной системы для анализа кредитоспособности заемщика и оценки кредитных рисков на основе подхода иммунокомпьютинга. Применение процедур кластеризации, классификации и формирования оценок рисков.
ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ Государственное образовательное учреждение высшего профессионального образования Санкт-Петербургский государственный университет аэрокосмического приборостроения КАФЕДРА ПРИКЛАДНЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В ЭКОНОМИКЕ И МЕНЕДЖМЕНТЕ ПОЯСНИТЕЛЬНАЯ ЗАПИСКА К КУРСОВОМУ ПРОЕКТУ Оценивание кредитных рисков по дисциплине: ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ г. Санкт-Петербург 2010 Содержание Реферат 1 Этап идентификации 2 Взаимодействие инженера по знаниям с экспертом 3 Формирование многомерной модели данных 4 Data Mining 5 Формирование базы и системы поддержки знаний 6 Математические модели и вычислительные алгоритмы решения задач классификации и кластеризации 6.1 Математическая модель и вычислительный алгоритм решения задачи классификации 6.2 Математическая модель и вычислительный алгоритм решения задачи кластеризации 7 Решение задач и интерпретация результатов 7.1 Решение задачи классификации и интерпретация результатов 7.2 Решение задачи кластеризации и интерпретация результатов 7.3 Формирование оценки риска кредита и интерпретация результатов Заключение Список используемой литературы Реферат В настоящее время кредитование населения и малого бизнеса становится одним из основных направлений активности в банковском секторе. Для оценки кредитного риска должен быть произведён корректный анализ кредитоспособности заемщика. Информационная система будет реализована с помощью системы Matlab, по средствам которой будут разработаны 3 основных модуля информационной системы, содержащие процедуру вычислительных алгоритмов обучения с экспертом и самообучения, а так же модуль процедуры формирования оценки кредитного риска. Собственно методы классификации весьма разнообразны и включают в себя: • статистические методы, основанные на дискриминантном анализе (линейная регрессия, логистическая регрессия); • различные варианты линейного программирования; • дерево классификации или рекурсионно-партиционный алгоритм (РПА); • метод ближайших соседей; • логико - вероятностные; • нейронные сети или нейрокомпьютинг; • генетические и эволюционные алгоритмы.
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
