| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Finanšu inženiermatemātika |
| Nosaukums |
Mašīnmācīšanās algoritmu ieviešana klientu kredītriska novērtēšanai |
| Nosaukums angļu valodā |
Implementation of Machine Learning Algorithms for Evaluating Customer Credit Risk |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Konstantins Kozlovskis |
| Recenzents |
Irina Voronova |
| Anotācija |
Kredītriska novērtēšana ir viens no nozīmīgākajiem izaicinājumiem finanšu sektorā, kur klientu maksātspējas prognozēšana ir būtiska efektīvai biznesa pārvaldībai. Tradicionāli šis uzdevums balstīts uz statistiskām metodēm, taču pieaugošā datu apjoma un daudzveidības apstākļos arvien nozīmīgāku lomu ieņem mašīnmācīšanās algoritmu izmantošana. Maģistra darba mērķis ir izanalizēt mašīnmācīšanās algoritmu ieviešanas ietekmi uz klientu kredītriska novērtēšanu, salīdzinot to veiktspēju ar tradicionālajām statistiskajām pieejām. Darbā tiek analizēti astoņi plaši izmantoti algoritmi, tostarp loģistiskā regresija, naivais Beijesa klasifikators, K-tuvāko kaimiņu metode, atbalsta vektoru mašīna, gadījuma meži, kā arī gradienta bustinga algoritmi – XGBoost, LightGBM un CatBoost. Iegūtie rezultāti parāda, ka mašīnmācīšanās modeļi demonstrē augstāku prognožu veiktspēju kredītriska modelēšanas uzdevuma risināšanā salīdzinājumā ar tradicionālajiem lineārajiem modeļiem. Maģistra darbā ir 73 lappuses, 16 attēli, 5 tabulas, 6 pielikumi un 53 informācijas avoti. |
| Atslēgas vārdi |
Mašīnmācīšanās, Kredītspējas izvērtēšanas metodes, Algoritmu veiktspēja |
| Atslēgas vārdi angļu valodā |
Machine learning, Credit scoring methods, Algorithm performance |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
30.05.2025 14:19:57 |
