Код | 533780 |
Дата создания | 2023 |
Мы сможем обработать ваш заказ (!) 8 ноября в 12:00 [мск]
Файлы будут доступны для скачивания только после обработки заказа.
|
Оригинальность по АП.Вуз на 27 февраля 2023 года более 70%.
Оригинал документа в pdf, конвертация в Word автоматическая (в word могут быть недочеты форматирования, которые вы легко отредактируете).
С усовершенствованием мощности компьютеров, наш XXI век стал “ веком
информационных технологий” и “ электронных данных”. Более того, в нашу
эпоху мы должны анализировать большое количество данных, и создавать
интеллектуальные системы, с помощью концепций и методов искусственного
интеллекта, с помощью науки о данных, интеллектуального анализа данных и
машинного обучения [1].
Каждый из нас должен понимать, что “Информация – это сокровище
современности”. Последнее время немыслимо создание какой-либо
организации или бизнеса без анализа данных для принятия логичных решений.
Благодаря созданию благополучной атмосферы вокруг таких сфер, как
искусственный интеллект, машинное обучение и глубокое обучение [2].
Специалисты этих сфер создали алгоритмы, методы, основы, инструменты для
создания интеллектуальных систем и моделей, которые могут
автоматизировать задачи, выполнять комплексный анализ и прогнозировать
события.
Основными видам задач в обучении является: классификация,
регрессия, ранжирование, и кластеризация [3].
Введение ............................................................................................................................. 4
1. Анализ данных с применением простой линейной регрессии ............................ 6
1.1. Пример применения ......................................................................................... 7
1.2. Таблица коэффициентов ................................................................................ 13
1.3. Простая модель линейной регрессии ........................................................... 18
2. Применение интеллектуального анализа данных в банковском секторе ........ 24
2.1. Обзор литературы .......................................................................................... 25
2.2. Алгоритмы и методы интеллектуального анализа данных ........................ 27
2.3. Приложения интеллектуального анализа данных в банковской сфере .... 34
3. Пример регрессионного анализа на основе данных по банкротству ............... 39
Заключение ....................................................................................................................... 45
Список литературы .......................................................................................................... 46
1) Vivek Bhambri “Application of Data Mining in Banking Sector”,
International Journal of Computer Science and Technology Vol. 2, Issue 2, June
2011
2) Dr. Madan Lal Bhasin, “Data Mining: A Competitive Tool in the
Banking and Retail Industries”, The Chartered Accountant October 2006
3) Han, J., M. Kamber and J. Pie, “Data Mining Concepts and Techniques”
3rd Ed., Elsevier, Burlington, ISBN-10: 9780123814807, pp: 744., 2011
4) Hsu, F.M., L.P. Lu and C.M. Lin, “Segmenting customers by
transaction data with concept hierarchy” 2012
5) Liao, S.H., P.H. Chu and P.Y. Hsiao, “Data mining techniques and
applications-A decade review from 2000 to 2011.” ,2012
6) Mabroukeh, N.R. and C.I. Ezeife, “A taxonomy of sequential pattern
mining algorithms”, 2010.
7) Blake, R. and P. Mangiameli, “The effects and interactions of data
quality and problem complexity on classification”, 2011.
8) McCullagh, P. and Nelder, J. A. (1989). Generalized Linear Models,
Second Edition. Chapman and Hall, London.
9) Kihlberg, J. K., Narragon, E. A., and Campbell, B. J. (1964).
Automobile crash injury in relation to car size. Cornell Aero. Lab. Report No. VJ-
1823-Rll.
10) Johnson, F. J. (1978). Automated determination of phosphorus in
fertilizers: Collaborative study. Journal of the Association of Official Analytical
Chemists, 61, 533–536.
11) Garner, N. R. (1956). Studies in textile testing. Industrial Quality
Control, 10, 44–46.
12) Fienberg, S. E. (1980). The Analysis of Cross-Classified Categorical
Data, Second Edition. MIT Press, Cambridge, MA. Reprinted in 2007 by Springer-
Verlag.
13) Dalal, S.R., Fowlkes, E.B., and Hoadley, B. (1989). Risk analysis of the
space shuttle: Pre-Challenger prediction of failure. Journal of the American
Statistical Association, 84, 945–957.
14) Emerson, J. D. (1983). Mathematical aspects of transformation. In
Understanding Robust and Exploratory Data Analysis, edited by D.C. Hoaglin, F.
Mosteller, and J.W. Tukey. John Wiley and Sons, New York.
15) Carroll, R. J. and Ruppert, D. (1984). Power transformations when
fitting theoretical models to data. Journal of the American Statistical Association,
79, 321–328.
16) Bickel, P. J., Hammel, E. A., and O’Conner, J. W. (1975). Sex bias in
graduate admissions: Data from Berkeley. Science, 187, 398–404.
17) Bisgaard, S. and Fuller, H. T. (1995). Reducing variation with two-level
factorial experiments. Quality Engineering, 8, 373–377.
18) Agresti, A. and Coull, B.A. (1998). Approximate is Better than Exact
for Interval Estimation of Binomial Proportions. The American Statistician, 52, 119–
126.
19) Atkinson, A. C. (1985). Plots, Transformations, and Regression: An
Introduction to Graphical Methods of Diagnostic Regression Analysis. Oxford
University Press, Oxford.
20) Lazerwitz, B. (1961). A comparison of major United States religious
groups. Journal of the American Statistical Association, 56, 568–579.