Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/26097
Full metadata record
DC FieldValueLanguage
dc.creatorFernandes, Janayna Moura-
dc.date.accessioned2019-07-15T18:32:41Z-
dc.date.available2019-07-15T18:32:41Z-
dc.date.issued2019-07-11-
dc.identifier.citationFERNANDES, Janayna Moura. Deep Learning para avaliação de risco de crédito financeiro. 2019. 56 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Uberlândia, 2019.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/26097-
dc.description.abstractBanks and financial organizations are dealing with credit lending as the key to success. The credit assessment models rank their prospective clients as likely defaulters or not. Credit risk assessment is often evaluated by a manager from his or her intuitive experience. However, it is possible to make these substantial decisions more accurately through the support of the models developed from machine learning and data mining, using essentially the classification task. Several data mining techniques, such as decision trees, random forests, support vector machines, neural networks, have already been used to classify prospective customers. The objective of this work is the evaluation of consolidated classificatory algorithms in the literature and the suggestion of the construction of a deep neural networks model applied to the problem of credit risk assessment. The experiments were conducted on three publicly available data sets in the UCI Machine Learning Repository. The average accuracy of the techniques was compared. The results obtained show that the random forest classifier excels to the other techniques because it presents the highest average accuracy and is the most stable for the three databases studied. The technique of deep learning presented a good result but did not obtain a result superior to the one mentioned previously.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/publicdomain/zero/1.0/*
dc.subjectAnálise de Dadospt_BR
dc.subjectMineração de dadospt_BR
dc.subjectCréditopt_BR
dc.subjectAnálise de risco de créditopt_BR
dc.subjectDeep Learningpt_BR
dc.subjectDeep Neural Networkspt_BR
dc.subjectSistemas de suporte de decisãopt_BR
dc.titleDeep Learning para avaliação de risco de crédito financeiropt_BR
dc.title.alternativeDeep Learning for Financial Credit Risk Assessmentpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Carneiro, Murillo Guimarães-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8158868389973535pt_BR
dc.contributor.referee1Santos, Fernanda Maria da Cunha-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/6802596562404346pt_BR
dc.contributor.referee2Miani, Rodrigo Sanches-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/2992074747740327pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/4448654975495404pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoBancos e organizações financeiras que lidam com o empréstimo de crédito têm como chave para o sucesso os modelos de avaliação de crédito para classificar seus clientes em perspectiva como prováveis adimplentes ou inadimplentes. A avaliação do risco de crédito é frequentemente avaliada por um gerente a partir de sua experiência intuitiva. No entanto, é possível tomar essas decisões substanciais com mais precisão através do suportede modelos desenvolvidos a partir do aprendizado de máquina e da mineração de dados,usando fundamentalmente a sua tarefa de classificação. Diversas técnicas de mineração de dados, como árvores de decisão, florestas aleatórias, máquinas de vetores de suporte,redes neurais, já foram usadas para classificar os clientes em perspectiva. O objetivo neste trabalho é a avaliação de algoritmos classificatórios consolidadas na literatura e a sugestão da construção de um modelo de redes neurais profundas aplicados para o problema de avaliação de risco de crédito. Os experimentos foram conduzidos em três conjuntos de dados disponíveis publicamente no UCI Machine Learning Repository. Foi comparada a acurácia média das técnicas. Os resultados obtidos mostram que o classificador florestas aleatórias se sobressaiu às demais técnicas por apresentar a maior acurácia média e por ser a mais estável para as três bases de dados estudadas. A técnica de aprendizado profundo apresentou um bom resultado mas não obteve resultado superior a da mencionada anteriormente.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseSistemas de Informaçãopt_BR
dc.sizeorduration56pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAOpt_BR
dc.orcid.putcode59525075-
Appears in Collections:TCC - Sistemas de Informação (Monte Carmelo)

Files in This Item:
File Description SizeFormat 
DeepLearningAvaliacao.pdf4.1 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons