Статья опубликована в журнале «Вопросы инновационной экономики»3 / 2019
DOI: 10.18334/vinec.9.3.41177

Выбор источника финансирования методами машинного обучения

Мартынова Юлия Анатольевна, доцент кафедры менеджмента наукоемких производств, кандидат экономических наук, доцент, Санкт-Петербургский государственный университет аэрокосмического приборостроения, Россия

Selection finance's source by method of machine learning - View in English

 Скачать PDF | Загрузок: 7

Аннотация:
Приведены результаты выбора финансового учреждения для обслуживания организаций с использованием технологий, применяемых в машинном обучении, в частности, нейронных сетей и нечеткой логики. В условиях недостаточной информации традиционные способы решения такого рода задач работают недостаточно надежно, поэтому в работе демонстрируется метод определения лучшего банка посредством указанных технологий. Для поиска нужного решения выполнено моделирование случайных значений тех параметров, которые отвечают, по мнению автора, за выбор банка. Такая база примеров, которую можно назвать “игрушечной“, участвует в обучении нейронной сети. Кроме того, показана возможность получения оценки эффективности выбранного учреждения для обслуживания организации с помощью нечеткой логики.

JEL-классификация: D81, С45, С65

Цитировать публикацию:
Мартынова Ю.А. Выбор источника финансирования методами машинного обучения // Вопросы инновационной экономики. – 2019. – Том 9. – № 3. – С. 1037-1048. – doi: 10.18334/vinec.9.3.41177

Приглашаем к сотрудничеству авторов научных статей

Публикация научных статей по экономике в журналах РИНЦ, ВАК (высокий импакт-фактор). Срок публикации - от 1 месяца.

creativeconomy.ru Москва + 7 495 648 6241



Источники:
Kim P. MATLAB Deep Learning: With Machine Learning, Neural Networks and Artificial Intelligence., Soul-t'ukpyolsi, Seoul, 2017
Alpaydın E. Introduction to Machine Learning. - Massachusetts:MIT Press Cambridge, 2010.
Shalev-Shwartz S., Ben-David S. Understanding Machine Learning: From Theory to Algorithms. - New York: Cambridge University Press, 2014.
4. Кричевский М.Л., Дмитриева С.В., Мартынова Ю.А. Нейросетевая оценка компетенций персонала // Экономика труда. – 2018. – № 4. – С. 1101-1118. – doi: 10.18334/et.5.4.39488.
5. Кричевский М.Л., Мартынова Ю.А. Инструменты искусственного интеллекта при оценке эффективности инвестиционного проекта // Креативная экономика. – 2018. – № 8. – С. 1105-1118. – doi: 10.18334/ce.12.8.39265.
Jolliffe I.T. Principal component analysis. Springer, New York, 2002
Principal Component Analysis. Acadgild. [Электронный ресурс]. URL: https://acadgild.com/blog/principal-component-analysis ( дата обращения: 19.05.2019 ).
Haykin S. Neural Networks and Learning Machines, Pearson Education, New York, 2009
Nielsen M. Neural Networks and Deep Learning. [Электронный ресурс]. URL: http://neuralnetworksanddeeplearning.com ( дата обращения: 12.04.2019 ).
Neural Network Toolbox. User's Guide. The MathWorks, Inc., MA, 2015
Ross T. Fuzzy logic with engineering applications, John Wiley & Sons Chichester, 2010
Fuzzy Logic Toolbox. MatLab. Mathworks. [Электронный ресурс]. URL: https://www.mathworks.com/products/fuzzy-logic.html?BB=1 ( дата обращения: 12.05.19 ).
Рамсундар Б., Заде Р. TensorFlow для глубокого обучения. - СПб.: БХВ-Петербург, 2019.
Шакла Н. Машинное обучение и TensorFlow. - СПб.: Питер, 2019.