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
- Pays
Maroc
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
Finances publiques et décentralisation au Cameroun
FRANÇOIS MARIE DJOA BOYAM
26,00 €
-5%
24,70 €
- Nouveau
Théorie générale de la monnaie, de la relativité culturelle et du développement mondial intégré
JOSEPH TEDAJO
47,00 €
-5%
44,65 €
Mon cahier Finances au féminin. Je gère mon argent comme une future milliardaire
OPHÉLIE AMOUSSOU KOUAKOU, CHRISTELLE ANGOUA
7,90 €
-5%
7,50 €
La problématique de la rationalisation de l'Etat contemporain en Afrique subsaharienne
ALI SIMEI GUESSE
43,00 €
-5%
40,85 €
Aide-mémoire à l'usage du praticien du droit pénal vert en matière de faune et flore sauvages en RDC
OLIVIER BAHEMUKE NDOOLE
18,00 €
-5%
17,10 €
Les finances publiques des missions diplomatiques et consulaires
URBAIN NOËL EBANG MVE
27,00 €
-5%
25,65 €
Du franc CFA à l'Eco : J'ai compris le président Alassane Ouattara
YVAN CABREL DJIETCHEU
20,00 €
-5%
19,00 €
Post-independence Africa: Perspectives on Political and Socio Economic Mutations
RENÉ NGEK MONTEH
33,00 €
-5%
31,35 €
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.