Mon cahier Finances au féminin. Je gère mon argent comme une future milliardaire
Ophélie Amoussou Kouakou, Christelle Angoua
7,90 €
-5%
7,50 €
- Nouveau
Intelligence artificielle et modélisation du risque de crédit
29,00 €
27,55 €
Économisez 5%
Le risque de crédit est au cur des préoccupations des emprunteurs.
Dans une économie imprévisible et incertaine, les individus, les ménages, les entreprises, mais aussi les États sont soumis au stress du taux d'intérêt, des traites à rembourser de la charge de la dette.
L'intelligence artificielle peut-elle rendre prévisible l'inconstant, l'aléatoire, l'improbable ? L'auteur étudie, évalue et éclaire la performance de plusieurs méthodes basées sur l'intelligence artificielle dans la modélisation du risque de crédit.
Pour ce faire, une variété de méthodes classiques et modernes ont été comparées en termes de capacité à prédire la solvabilité des clients bancaires.
Parmi ces méthodes figurent le K-plus proches voisins (KNN), l'Arbre de Décision (DT), la Régression logistique (RL), le Réseau de Neurones artificiels (ANN), les machines à vecteurs de support (SVM) et Naïve Bayes (NB).
À l'issue de cette étude, les performances de chaque modèle ont été comparées en utilisant des métriques d'évaluation telles que la courbe ROC, le taux AUC, l'Accuracy, la précision et d'autres ratios d'erreur issus de la matrice de confusion.
Dans une économie imprévisible et incertaine, les individus, les ménages, les entreprises, mais aussi les États sont soumis au stress du taux d'intérêt, des traites à rembourser de la charge de la dette.
L'intelligence artificielle peut-elle rendre prévisible l'inconstant, l'aléatoire, l'improbable ? L'auteur étudie, évalue et éclaire la performance de plusieurs méthodes basées sur l'intelligence artificielle dans la modélisation du risque de crédit.
Pour ce faire, une variété de méthodes classiques et modernes ont été comparées en termes de capacité à prédire la solvabilité des clients bancaires.
Parmi ces méthodes figurent le K-plus proches voisins (KNN), l'Arbre de Décision (DT), la Régression logistique (RL), le Réseau de Neurones artificiels (ANN), les machines à vecteurs de support (SVM) et Naïve Bayes (NB).
À l'issue de cette étude, les performances de chaque modèle ont été comparées en utilisant des métriques d'évaluation telles que la courbe ROC, le taux AUC, l'Accuracy, la précision et d'autres ratios d'erreur issus de la matrice de confusion.
Karim Amzile est docteur en sciences de gestion, option finance, lauréat de la Faculté des Sciences Juridiques, Economiques et Sociales (FSJES) à Agdal-Rabat (Maroc).
Il est spécialisé dans l'application des techniques d'intelligence artificielle dans la modélisation des risques financiers, dans le marketing et dans la gestion des ressources humaines.
Il est spécialisé dans l'application des techniques d'intelligence artificielle dans la modélisation des risques financiers, dans le marketing et dans la gestion des ressources humaines.
Fiche technique
- Auteur
- Karim Amzile
- Éditeur
- L'Harmattan
Rated 5.00 on the scale 1 - 5 based on 1 customer reviews
Félécitations
toutes mes félécitations pour ce fabuleux travail
30 autres produits dans la même catégorie :
Voir tout
La communication budgétaire en République démocratique du Congo
Odon Nsampanga Assas
18,00 €
-5%
17,10 €
Privatisations, Management et Financements Internationaux des Firmes en Afrique
Jean Kernaïse Mavoungou
22,50 €
-5%
21,37 €
Intégration monétaire et mutations du système financier international : défis et perspectives
BCEAO
28,00 €
-5%
26,60 €
Les finances publiques et les impératifs de la performance : le cas du Maroc
Mohamed Harakat
43,00 €
-5%
40,85 €
Services financiers et acteurs économiques à l'ère des nouvelles technologies
Amadou Diouldé Ba
14,00 €
-5%
13,30 €
Fiscalité indigène et dépenses sociales dans le budget colonial du Sénégal
Abdoulaye Touré
27,00 €
-5%
25,65 €
Le risque de crédit est au cur des préoccupations des emprunteurs.
Dans une économie imprévisible et incertaine, les individus, les ménages, les entreprises, mais aussi les États sont soumis au stress du taux d'intérêt, des traites à rembourser de la charge de la dette.
L'intelligence artificielle peut-elle rendre prévisible l'inconstant, l'aléatoire, l'improbable ? L'auteur étudie, évalue et éclaire la performance de plusieurs méthodes basées sur l'intelligence artificielle dans la modélisation du risque de crédit.
Pour ce faire, une variété de méthodes classiques et modernes ont été comparées en termes de capacité à prédire la solvabilité des clients bancaires.
Parmi ces méthodes figurent le K-plus proches voisins (KNN), l'Arbre de Décision (DT), la Régression logistique (RL), le Réseau de Neurones artificiels (ANN), les machines à vecteurs de support (SVM) et Naïve Bayes (NB).
À l'issue de cette étude, les performances de chaque modèle ont été comparées en utilisant des métriques d'évaluation telles que la courbe ROC, le taux AUC, l'Accuracy, la précision et d'autres ratios d'erreur issus de la matrice de confusion.
Dans une économie imprévisible et incertaine, les individus, les ménages, les entreprises, mais aussi les États sont soumis au stress du taux d'intérêt, des traites à rembourser de la charge de la dette.
L'intelligence artificielle peut-elle rendre prévisible l'inconstant, l'aléatoire, l'improbable ? L'auteur étudie, évalue et éclaire la performance de plusieurs méthodes basées sur l'intelligence artificielle dans la modélisation du risque de crédit.
Pour ce faire, une variété de méthodes classiques et modernes ont été comparées en termes de capacité à prédire la solvabilité des clients bancaires.
Parmi ces méthodes figurent le K-plus proches voisins (KNN), l'Arbre de Décision (DT), la Régression logistique (RL), le Réseau de Neurones artificiels (ANN), les machines à vecteurs de support (SVM) et Naïve Bayes (NB).
À l'issue de cette étude, les performances de chaque modèle ont été comparées en utilisant des métriques d'évaluation telles que la courbe ROC, le taux AUC, l'Accuracy, la précision et d'autres ratios d'erreur issus de la matrice de confusion.