Использование цифрового профиля клиента для повышения точности предсказаний моделей машинного обучения
Аннотация
Пояснительная записка состоит из 3 частей, выполнена на 63 страниц, содержит 30 рисунков, 2 таблиц и 31 используемого источника.
Ключевые слова: Одномерный сверточный автоэнкодер, Временные ряды, Логистическая регрессия, XGboost, Машинное обучение, Нейронные сети.
Объектом исследования является процесс генерации новых признаков для остальных моделей с помощью сверточного автоэнкодера.
Целью работы является создание системы для автоматической генерации новых признаков для других моделей машинного обучения.
Оригинальность и новизна исследований состоит в том, что в работе применен одномерный сверточный автоэнкодер для набора данных в виде временных рядов.
В результате получился автоматизированный процесс по извлечению и агрегированию данных пользователей из системы Matomo, последующее использование их в нейронной сети, генерация новых признаков по каждому пользователю банковским сервисом и применение этих признаков в других моделях машинного обучения.
Предмет исследования – бизнес-процесс рекомендаций банковских продуктов, поиск и определение лиц, занимающихся легализацией преступных доходов и определение списка клиентов, которые могут стать неактивными.
Результатом создания и внедрения скрипта должно стать повышение точности предсказания трех моделей машинного обучения.
В первом разделе освещаются инструменты с помощью которых будет построена нейронная сеть и их целесообразность.
Второй раздел вводит в теорию о сверточных нейронных сетях и используемых моделях машинного обучения.
Практический результат работы – скрипт, который автоматически, на основе пользовательской активности генерирует признаки для текущих трех моделей и для будущих моделей машинного обучения для компании ООО «SKB_LAB».
По результатам работы опубликована статья в сборнике международной конференции.
Ключевые слова: Одномерный сверточный автоэнкодер, Временные ряды, Логистическая регрессия, XGboost, Машинное обучение, Нейронные сети.
Объектом исследования является процесс генерации новых признаков для остальных моделей с помощью сверточного автоэнкодера.
Целью работы является создание системы для автоматической генерации новых признаков для других моделей машинного обучения.
Оригинальность и новизна исследований состоит в том, что в работе применен одномерный сверточный автоэнкодер для набора данных в виде временных рядов.
В результате получился автоматизированный процесс по извлечению и агрегированию данных пользователей из системы Matomo, последующее использование их в нейронной сети, генерация новых признаков по каждому пользователю банковским сервисом и применение этих признаков в других моделях машинного обучения.
Предмет исследования – бизнес-процесс рекомендаций банковских продуктов, поиск и определение лиц, занимающихся легализацией преступных доходов и определение списка клиентов, которые могут стать неактивными.
Результатом создания и внедрения скрипта должно стать повышение точности предсказания трех моделей машинного обучения.
В первом разделе освещаются инструменты с помощью которых будет построена нейронная сеть и их целесообразность.
Второй раздел вводит в теорию о сверточных нейронных сетях и используемых моделях машинного обучения.
Практический результат работы – скрипт, который автоматически, на основе пользовательской активности генерирует признаки для текущих трех моделей и для будущих моделей машинного обучения для компании ООО «SKB_LAB».
По результатам работы опубликована статья в сборнике международной конференции.