Нейросетевые технологии

     В данной дипломной работе была рассмотрена  тема потребительского кредитования в РФ с позиции проблем, возникающих у банков при освоении данного рынка, в основном касающиеся правовых аспектов и аспектов снижения риска. Также было продемонстрировано решение проблем в сегодняшней действительности при помощи инструментов Data Mining платформы Deductor. В рамках данной задачи был реализован сценарий, заключающий в себе консолидацию данных из сторонней системы, прогон данных через построенную модель, экспорт результатов оценки кредитоспособности на сторону.

     Основные  преимущества системы:

• Гибкая интеграция с любыми сторонними системами, т.е. получение информации для анализа и перенос результатов не вызывает проблем.
• Консолидация информации о заемщиках в специальном хранилище данных, т.е. обеспечение централизованного хранения данных, непротиворечивости, а также обеспечение всей необходимой поддержки процесса анализа данных, оптимизированного доступа, автоматического обновления данных, использование при работе терминов предметной обрасти, а не таблиц баз данных.
• Широкий спектр инструментов анализа, т.е. обеспечение возможности эксперту выбрать наиболее подходящий метод на каждом шаге обработки. Это позволит наиболее точно формализовать его знания в данной предметной области.
• Поддержка процесса тиражирования знаний, т.е. обеспечение возможности сотрудникам, не разбирающимся в методиках анализа и способах получения того или иного результата получать ответ на основе моделей, подготовленных экспертом. Так сотрудник, оформляющий кредиты, должен ввести данные по потребителю и система автоматически выдаст решение о выдачи кредита или об отказе.
• Поддержка групповой обработки информации, т.е. обеспечение возможности дать решение по списку потенциальных заемщиков. Из хранилища автоматически выбираются данные по лицам, заполнившим анкету вчера (или за какой угодно буферный период), эти данные прогоняются через построенную модель, а результат экспортируется в виде отчета (например, в виде excel файла), либо экспортируется в систему автоматического формирования договоров кредитования или писем с отказом в кредите. Это позволит сэкономить время и деньги.
• Поддержка актуальности построенной модели, т.е. обеспечение возможности эксперту оценить адекватность текущей модели и, в случае каких либо отклонений, перестроить ее, используя новые данные.

     Таким образом, для эффективного формирования кредитного портфеля банкам необходимо взять на вооружение передовые технологии добычи знаний и применить их для оценки потенциальных заемщиков. Благодаря этому можно будет не бояться предстоящей конкуренции на этом рынке. Подготовка решения данного вопроса сейчас позволит обкатать саму процедуру и в дальнейшем избежать ошибок и расходов в связи с массовым применением таких подходов в дальнейшем. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

     Список  использованной литературы:

     1. В.П.Дьяконов, В.В. Круглов. Matlab 6.5 SPI1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. Сер. «Библиотека профессионала».- М.: СОЛОН-ПРЕСС, 2006

     2. Потемкин В.Г. Инструментальные средства MATLAB. Москва: Диалог – МИФИ, 2000

     3. Головко В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями - Брест:БПИ, 1999, - 260с.

     4. Головко В.А. Нейроинтеллект: Теория и применения. Книга 2. Самоорганизация, отказоустойчивость и применение нейронных сетей - Брест:БПИ, 1999, - 228с.

     5. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика, 1992 - 184с.

     6. Б.М.Владимирский. Нейронные сети как источник идей и инструмент моделирования процессов самоорганизации и управления // Экономический вестник Ростовского государственного университета. 2006.  Т. 4. № 4. С. 142-144. 

     7. В. П. Боровиков, Г. И. Ивченко Учебник по математической статистике с упражнениями в системе STATISTICA

     8. Автоматизированные информационные технологии: Учебное пособие Под ред. Т.В. Воропаевой, В.Б. Либермана, А.И. Никифорова. – М.: Финансовая академия  2002 г.

     9. Автоматизированные информационные технологии в экономике: Учебник для вузов. Под ред. Г.А. Титаренко. – М.: ЮНИТИ, 1998.

     10. Информатика: Учебник 4-е изд./Под ред. Н.В.Макаровой –М.:Финансы и статистика, 2001.

     11. Компьютерные системы и сети: Учеб. пособие/ В.П. Косарев и др. /Под ред. В.П. Косарева и Л.В. Еремина.-М.: Финансы и статистика, 2001.

     12. С.В.Маклаков «BPwin и ERwin CASE-средства разработки информационных систем». - М.: "ДИАЛОГ-МИФИ", 2000.

13. Э.Г. Дадян «Современные Базы Данных: основы». Учебно-методическое пособие в двух частях. Часть 1, 2004.
14. Э.Г. Дадян «Современные Базы Данных: практические задания». Учебно-методическое пособие в двух частях. Часть 2, 2004.
15. Эдуард Пройдаков  «Что такое Data Mining?»,PC Week/RE 99/26, электронный вариант.
16. Э.Г. Дадян, электронная лекция-презентация по курсу «Информационные технологии в экономике» раздел «Временные ряды», 2005.
17. Э.Г. Дадян, электронная лекция-презентация по курсу «Информационные технологии в экономике» раздел «OLAP, Data mining, KDD технологии», 2005.
18. Э.Г. Дадян, электронная лекция-презентация по курсу «Информационные технологии в экономике» раздел «Нейронный анализатор», 2005.