Application of Artificial Intelligence Techniques in Credit Risk – Martin Rýpar
Martin Rýpar
Bachelor's thesis
Application of Artificial Intelligence Techniques in Credit Risk
Application of Artificial Intelligence Techniques in Credit Risk
Abstract:
Tato bakalářská práce se zabývá metodami umělé inteligence a jejich využitím při modelování kreditního rizika, konkrétně při modelování pravděpodobnosti defaultu. V teoretické části práce jsou popsány použité metody, tedy logistická regrese, náhodné lesy, support vector machines a neuronové sítě. V praktické části jsou tyto metody implementovány a vytrénovány na datech z online peer-to-peer platformy …moreAbstract:
This bachelor thesis describes artificial intelligence methods and their application in credit risk modelling, particularly in probability of default modelling. In theoretical part are described methods used in practical part, namely logistic regression, random forests,support vector machines and neural networks. In practical part are those methods implemented and trained on data from online peer-to …more
Language used: English
Date on which the thesis was submitted / produced: 5. 1. 2018
Identifier:
http://www.vse.cz/vskp/eid/74221
Thesis defence
- Date of defence: 12. 6. 2018
- Supervisor: Milan Fičura
- Reader: Jana Juhászová
Citation record
Full text of thesis
Contents of on-line thesis archive
Published in Theses:- autentizovaným zaměstnancům ze stejné školy/fakulty
Other ways of accessing the text
Institution archiving the thesis and making it accessible: Vysoká škola ekonomická v Prazehttp://www.vse.cz/vskp/eid/74221
Vysoká škola ekonomická v Praze
Bachelor programme / field:
Finance a účetnictví / Finance
Theses on a related topic
-
Payment card fraud detection using machine learning
Angelina Uvaliyeva -
Application of Machine Learning Models within Credit Risk Modelling
Petr Nguyen -
Credit Scoring Using Ensemble Machine Learning Methods
Jan Helcl -
Rating Prediction Using Neural Networks
Lucie Chytilová -
Vzdělávací hra vysvětlující strojového učení a neuronové sítě
Jakub Ostrihoň -
Modelování hudební transkripce pomocí hlubokého učení: návrh, konstrukce a validace modelu na principu rekurentní neuronové sítě
Daniel Kvak -
Strojové učení s využitím metody transfer learning
Jan Štol -
Detekce strojově přeložených textů pomocí strojového učení
Jan Kusák