Резюме (1137068), страница 2

Файл №1137068 Резюме (Рандомизированные алгоритмы на основе интервальных узорных структур) 2 страницаРезюме (1137068) страница 22019-05-20СтудИзба
Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 2)

664-673. (инд. Web of Science, Scopus)Публикации стандартного уровня2. Masyutin A. Credit scoring based on social network data //Business Informatics, No. 3 (33), 2015, pp. 15–23. (инд. Web ofScience)3. Masyutin A. Alternative Ways for Loss-Given-Default Estimationin Retail Banking //Analysis of Images, Social Networks and Texts,2014, Volume 436 of the series Communications in Computer andInformation Science, pp. 152-162. (инд. Web of Science, Scopus)74. Masyutin A., Kashnitsky Y., Sergei O. Kuznetsov. LazyClassication with Interval Pattern Structures: Application to CreditScoring, in: Proceedings of the International Workshop "What canFCA do for Artificial Intelligence?" (FCA4AI at IJCAI 2015),CEUR Workshop proceedings, Vol.1430, p. 43-54.

(инд. Scopus)5. Masyutin A., Sergei O. Kuznetsov, Continuous Target VariablePrediction with Augmented Interval Pattern Structures: A LazyAlgorithm // Proceedings of the Thirteenth InternationalConference on Concept Lattices and Their Applications, pp.273284. (инд. Scopus)Прочие публикации1. Масютин А., Борисюк В., «Скоринговая карта для оценкикредитного мошенничества» // Изд-во «Риск-менеджмент вкредитной организации», №2/2015.Доклады на конференциях и семинарах1. 3-я Международная конференция - Анализ изображений,социальных сетей и текстов, AIST'2014, Екатеринбург, Россия.Тема: «Alternative Ways for Loss-Given-Default Estimation in RetailBanking».2.

24-я Международная конференция по искусственномуинтеллекту, семинар «What can FCA do for Artificial Intelligence?»,FCA4AI, IJCAI 2015, Буэнос-Айрес, Аргентина.Тема: «Lazy Classification with Interval Pattern Structures:Application to Credit Scoring».3. Научно-исследовательский семинар аспирантской школы ФКНВШЭ, 12 ноября 2015.Тема: «Интегрированное управление риском и задачи машинногообучения», (https://aspirantura.hse.ru/cs/announcements/164947571.html).4. 13-я Международная конференция по решеткам понятий и ихприменению, CLA'2016.

Москва, Россия.Тема: «Continuous Target Variable Prediction with AugmentedInterval Pattern Structures: A Lazy Algorithm».5.Технологиибазданных,2016,Москва,Россия(https://www.osp.ru/iz/tbd_dbms).8Тема: «Оценка кредита на основе анализа формальных понятий:персонализированные модели».6. 23-й Международный симпозиум по методологии построенияинтеллектуальных систем, ISMIS'2017, Варшава, Польша.Тема: «Query-based versus tree-based classification: application tobanking data».7.

Семинар ИССА, ФКН ВШЭ, 28 сентября 2017 года.Тема: «Классификация по запросу на основе описаний интерваловв задачах управления кредитным риском».СОДЕРЖАНИЕ РАБОТЫДиссертация состоит из 4 разделов, заключения, приложений ибиблиографии из 89 источников.В первом разделе (введении) обосновывается актуальность темыработы, описываются существующие проблемы, ставятся задачиисследования. Также определяются цели работы, излагаются основныерезультаты, обсуждается теоретическое и практическое значениеработы.Во втором разделе описывается история математическогомоделирования в банковской отрасли, которое играет ключевую роль вриск-менеджменте, также описываются широко распространенныестатистические алгоритмы, используемые для классификация и задачрегрессии.

В контексте оценки кредитного риска выделяются двапараметра: вероятность дефолта (PD), уровень потерь в случае дефолта(LGD). С точки зрения машинного обучения задача оценки PD являетсязадачей бинарной классификации, а оценка LGD – задачейвосстановления регрессии. Подчеркивается компромисс междуточностью прогноза и интерпретируемостью модели, посколькунекоторые регуляторы требуют от банков причины отказа заемщикам, атакже центральные банки рассматривают банковские модели, требуяобоснования экономической интуиции за ними, которая в свою очередьявляется аргументом того, что модели будут показывать ожидаемое истабильно качество работы.Рассматривается метод скоринговых карт для оценкикредитоспособности заемщика, поскольку этот метод широкоприменяется в банковской отрасли и используется в качестве эталонадля моделей «белого ящика.

Рассматривается WOE-трансформация9исходныхфакторовмодели(Weight-of-evidence),котораяпредназначена для адекватного учета выбросов и немонотонныхзависимостей целевой переменной от значений факторов перед подачейданных в логистическую регрессию.Модели «черного ящика» обсуждаются на примере нейронныхсетей, которые выступают антагонистами интерпретируемых моделей,предоставляющих пользователю возможность понять, почему алгоритмвыдает ту или иную вероятность дефолта для клиента.В третьем разделе раскрывается первое нововведение:применение АФП к проблеме классификации на выборках с большимчислом наблюдений. Описываются базовые термины АФП (узорнаяструктура, оператор пересечения, оператор Галуа, объем исодержание понятия).Обозначим множество объектов с положительной меткой класса+ (множество положительных примеров), а множество объектов сотрицательной меткой класса:− (множество отрицательныхпримеров), при этом + ∩ − = ∅, и + ⋃ − = .Пусть множество описаний объектов D представляет собойкортежи интервалов, т.е.

= {([1 ; 1 ], … , [, ; , ]) | ∀: , ∈ } ,где K – размерность признакового пространства. Например, для K=3элементом D может быть следующий кортеж интервалов:([1;2], [-0.5;0.3], [150;340]).Пусть определено отображение : → для каждого объекта ∈ : () = ([1 ; 1 ], … , [ ; ]), т.е. каждый объект имеет описаниев виде точки в K-мерном вещественном пространстве.Для двух описаний 1 , 2 ∈ , 1 = ([1 ; 1 ], … , [K ; K ])и 2 = ([1 ; 1 ], … , [K ; K ]) операция пересечения ⊓ определяетсяследующим образом:1 ⊓ 2 = ([min(1 , 1 ); max(1 , 1 )], … , [min( , ); max( , )])Если 1 ⊓ 2 = 1 , то пишут, что 1 ⊑ 2Узорнойинтервальной структуройназывается тройка(, , ) , где = (,⊓) , т.е.

множество объектов со множествомвозможных описаний, операцией пересечения ⊓ и отображением,ставящим в соответствие объектам из определенные описания ()из .10Определим также отображение из пространства объектов впространство описаний и обратно, обозначив его символом ⋄ :⋄ =⊓∈ () для ⊆ , ⋄ = { ∈ | ⊑ ()} для ∈ .Вводятся новые определения для α-слабых описаний. Описание+ ∈ называется -слабым положительным описанием, если:⋄ ∩ ||+−|− |≤ , и ∃ ⊆ + :+ ⊑ ⋄Описание − ∈ называется -слабым отрицательным описанием,если:⋄ ∩ ||−+|+ |≤ , и ∃ ⊆ − :− ⊑ ⋄Предлагается алгоритм классификации по запросу («лениваяклассификация»).На вход алгоритма подается множествоположительных примеров + , множество отрицательных примеров − ,а также множество тестовых объектов с соответствующимиописаниями, определенными отображением δ. На выходе алгоритмвозвращает число ∆∈ для каждого тестового объекта ∈ .Данное число является аналогом скорингового балла при оценкеплатежеспособности заемщика, т.е.

на его основе возможно построениерешающих правил «если ∆( ) > , то метка класса положительная, иначе отрицательная». Идея алгоритма состоит впроверке для каждого тестового объекта , является ли он похожимна объекты из множества положительных примеров + или множестваотрицательных примеров − . Сходство определяется как суммарнаяподдержка α-слабых положительных (отрицательных) описаний,содержащих описание тестового объекта. Поддержкой -слабогоположительного описания + называется |+⋄ ⋂+ |, т.е. число объектовиз множества положительных примеров + , удовлетворяющихописанию + . Поддержкой -слабого отрицательного описания −называется |−⋄ ⋂− |, т.е. число объектов из множества отрицательныхпримеров − , удовлетворяющих описанию − .

Пусть существует p11штук -слабых положительных описаний и n штук -слабыхотрицательных описаний, причем и первые, и последние содержатописание тестового объекта ( ), т.е. ∀ = 1, … , : + ⊑ ( ) и∀ = 1, … , : − ⊑ ( ).Суммарной поддержкой -слабых положительных описаний⋄называется = ∑=1 |+⋂+ | , а суммарной поддержкой -слабых⋄отрицательных описаний называется = ∑=1 |−⋂− | . На основевеличины ∆= − производится оценка того, насколько тестовыйобъект более похож на объекты из множества положительных илиотрицательных примеров, она является аналогом скорингового балладля оценки платежеспособности заемщика.

В работе такжерассматриваются другие меры сходства и схемы голосования на основе-слабых описаний (см. раздел 3.4 диссертации).Алгоритм представляет из себя итеративную процедуру ииспользует три гиперпараметра: размер подвыборки (subsample_size),количество итераций (number_of_iterations) и альфа-порог ().Первый гиперпараметр представляет собой долю объектов,случайно извлекаемых, из множества примеров (положительных илиотрицательных). На каждой итерации извлекается подвыборка объектовиз + и − , и рассчитывается пересечение описаний объектов вподвыборке с описанием тестового объекта : = (1 ) ⊓ … ⊓ ( ) ⊓ ( )где ⁄|| = _ .Второй гиперпараметр алгоритма представляет собой количествораз (т.е.

Характеристики

Тип файла
PDF-файл
Размер
1017,92 Kb
Высшее учебное заведение

Список файлов диссертации

Рандомизированные алгоритмы на основе интервальных узорных структур
Свежие статьи
Популярно сейчас
Зачем заказывать выполнение своего задания, если оно уже было выполнено много много раз? Его можно просто купить или даже скачать бесплатно на СтудИзбе. Найдите нужный учебный материал у нас!
Ответы на популярные вопросы
Да! Наши авторы собирают и выкладывают те работы, которые сдаются в Вашем учебном заведении ежегодно и уже проверены преподавателями.
Да! У нас любой человек может выложить любую учебную работу и зарабатывать на её продажах! Но каждый учебный материал публикуется только после тщательной проверки администрацией.
Вернём деньги! А если быть более точными, то автору даётся немного времени на исправление, а если не исправит или выйдет время, то вернём деньги в полном объёме!
Да! На равне с готовыми студенческими работами у нас продаются услуги. Цены на услуги видны сразу, то есть Вам нужно только указать параметры и сразу можно оплачивать.
Отзывы студентов
Ставлю 10/10
Все нравится, очень удобный сайт, помогает в учебе. Кроме этого, можно заработать самому, выставляя готовые учебные материалы на продажу здесь. Рейтинги и отзывы на преподавателей очень помогают сориентироваться в начале нового семестра. Спасибо за такую функцию. Ставлю максимальную оценку.
Лучшая платформа для успешной сдачи сессии
Познакомился со СтудИзбой благодаря своему другу, очень нравится интерфейс, количество доступных файлов, цена, в общем, все прекрасно. Даже сам продаю какие-то свои работы.
Студизба ван лав ❤
Очень офигенный сайт для студентов. Много полезных учебных материалов. Пользуюсь студизбой с октября 2021 года. Серьёзных нареканий нет. Хотелось бы, что бы ввели подписочную модель и сделали материалы дешевле 300 рублей в рамках подписки бесплатными.
Отличный сайт
Лично меня всё устраивает - и покупка, и продажа; и цены, и возможность предпросмотра куска файла, и обилие бесплатных файлов (в подборках по авторам, читай, ВУЗам и факультетам). Есть определённые баги, но всё решаемо, да и администраторы реагируют в течение суток.
Маленький отзыв о большом помощнике!
Студизба спасает в те моменты, когда сроки горят, а работ накопилось достаточно. Довольно удобный сайт с простой навигацией и огромным количеством материалов.
Студ. Изба как крупнейший сборник работ для студентов
Тут дофига бывает всего полезного. Печально, что бывают предметы по которым даже одного бесплатного решения нет, но это скорее вопрос к студентам. В остальном всё здорово.
Спасательный островок
Если уже не успеваешь разобраться или застрял на каком-то задание поможет тебе быстро и недорого решить твою проблему.
Всё и так отлично
Всё очень удобно. Особенно круто, что есть система бонусов и можно выводить остатки денег. Очень много качественных бесплатных файлов.
Отзыв о системе "Студизба"
Отличная платформа для распространения работ, востребованных студентами. Хорошо налаженная и качественная работа сайта, огромная база заданий и аудитория.
Отличный помощник
Отличный сайт с кучей полезных файлов, позволяющий найти много методичек / учебников / отзывов о вузах и преподователях.
Отлично помогает студентам в любой момент для решения трудных и незамедлительных задач
Хотелось бы больше конкретной информации о преподавателях. А так в принципе хороший сайт, всегда им пользуюсь и ни разу не было желания прекратить. Хороший сайт для помощи студентам, удобный и приятный интерфейс. Из недостатков можно выделить только отсутствия небольшого количества файлов.
Спасибо за шикарный сайт
Великолепный сайт на котором студент за не большие деньги может найти помощь с дз, проектами курсовыми, лабораторными, а также узнать отзывы на преподавателей и бесплатно скачать пособия.
Популярные преподаватели
Добавляйте материалы
и зарабатывайте!
Продажи идут автоматически
6508
Авторов
на СтудИзбе
302
Средний доход
с одного платного файла
Обучение Подробнее