dc.contributor.advisor | Oliveira, Luiz Eduardo Soares de, 1971- | pt_BR |
dc.contributor.author | Alves, Thiago da Silva, 1985- | pt_BR |
dc.contributor.other | Universidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Data | pt_BR |
dc.date.accessioned | 2022-04-28T18:00:10Z | |
dc.date.available | 2022-04-28T18:00:10Z | |
dc.date.issued | 2019 | pt_BR |
dc.identifier.uri | https://hdl.handle.net/1884/75371 | |
dc.description | Orientador: Prof. Luiz Eduardo Soares de Oliveira | pt_BR |
dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science & Big Data. | pt_BR |
dc.description | Inclui referências | pt_BR |
dc.description.abstract | Resumo: Clientes inadimplentes representam um dos maiores riscos às instituições financeiras, dado seu potencial de provocar prejuízo. Somado a isso, está o esforço para minimizar esse risco, que consome recurso com o objetivo de repará-lo. Naturalmente, uma relação de custo e benefício onde o correto destino do recurso transforma o prejuízo em retorno financeiro. Nesse contexto, o objetivo deste trabalho é explorar o uso de algoritmos de inteligência artificial baseados em aprendizado supervisionado (machine learning) para classificar clientes inadimplentes. Serão descritas as etapas desde a construção da base da dados analítica (ABT), seleção de variáveis utilizando algoritmo genético (AG) até estratégia de aprendizado considerando custo do erro de classificação, reamostragem e medidas de avaliação (Precision, Recall e F1Score) para conjutos de dados desbalanceados | pt_BR |
dc.description.abstract | Abstract: Overdue customers are one of the biggest threats to financial institutions, given their potencial to cause losses. Farther, is the effort to minimize this risk, wich expend resources to recover it. Clearly a cost benefit ratio, where correctly allocate resources turns losses into profits. In this context, the goal of this work is explore artificial intelligence algorithms based on supervised machine learning to classify overdue customers. Will describe steps from analytical base table (ABT) building, variable selection with genetic algorithm (GA) to learning strategy with misclassification cost, resample and evaluate metrics (Precision, Recall and F1Score) for unbalanced data | pt_BR |
dc.format.extent | 1 recurso online : PDF. | pt_BR |
dc.format.mimetype | application/pdf | pt_BR |
dc.language | Português | pt_BR |
dc.subject | Algorítmos genéticos | pt_BR |
dc.subject | Inteligencia artificial - Processamento de dados | pt_BR |
dc.subject | Aprendizado do computador | pt_BR |
dc.title | Inteligência artificial no ciclo de crédito | pt_BR |
dc.type | Monografia Especialização Digital | pt_BR |