| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Iskanje po katalogu digitalne knjižnice Pomoč

Iskalni niz: išči po
išči po
išči po
išči po
* po starem in bolonjskem študiju

Opcije:
  Ponastavi


11 - 13 / 13
Na začetekNa prejšnjo stran12Na naslednjo stranNa konec
11.
Odločitveni model za izbiro sistema za upravljanje z dokumenti
Gorazd Šter, 2011, magistrsko delo

Opis: Magistrsko delo obravnava proces odločanja v povezavi z upravljanjem dokumentnih sistemov. Uporabljen je pristop za izdelavo odločitvenega modela s pomočjo ovrednotenja in analize odločitvene alternative v računalniškem programu. Ključni za take modele so odločitvena drevesa, diagrami vpliva in večparametrski modeli. V delu se posvetimo raziskovanju aktualnega področja v programskem delu računalniške tehnologije, to so dokumentni sistemi. Pri tem se opremo na pričakovanja naročnika, ki jih razčlenimo v strukturiranem intervjuju in ponudbo izvajalcev z njihovimi predstavitvami. Zanima nas ali je možno pripraviti odločitveni model za izbiro sistema za upravljanje z dokumenti, ki bi lahko bil uporaben v organizacijah. Rezultat dela je predstavitev odločitvenega modela za izbiro sistema za upravljanje z dokumenti.
Ključne besede: odločanje, dokumentni sistem, večparametrski model, odločitveno drevo, intervju
Objavljeno: 16.02.2012; Ogledov: 1709; Prenosov: 217
.pdf Celotno besedilo (6,04 MB)

12.
NAPREDNI MODELI NEPLAČILA NA PRIMERU PREBIVALSTVA
Anja Colja, 2009, diplomsko delo

Opis: Zavedamo se, da je za banko dodeljevanje kreditov fizičnim in pravnim osebam zelo pomemben in odgovoren proces. Zato želimo v diplomskem delu približati pomen in uporabo naprednih modelov neplačil na primeru prebivalstva. Diplomsko delo ločita dve področji. V prvem so predstavljena teoretična spoznan- ja strojnega učenja, klasifikacije, kreditnega točkovanja, metod strojnega učenja ter njihove ocene in mere. Drugo, analitično področje seznanja z raziskovalnim pro- gramom Orange in predstavitvijo ter obdelavo uporabljenih podatkov odobrenih in zavrnjenih kreditojemalcev. Izhodišče za analizo so podatki pridobljeni, iz nemškega inštituta za statistiko in ekonometrijo, zbrani leta 1994. Teoretična in empirična spoznanja metod strojne- ga učenja so pripomogla k nadaljnjim raziskavam in ugotovitvam. Poskušali smo napovedati kateri kreditojemalci bodo kredit vrnili. Iz pridobljenih rezultatov sklepamo, da bi za kakovosten in točen izid potrebo- vali sistematičen pristop (večjo količino aktualnih podatkov kreditojemalcev), saj z razpoložljivimi podatki klasifikacija novih kreditojemalcev ne bi bila uspešna. S pomočjo rezultatov metod in meril za strojno učenje smo izbrali najinformativnejše atribute. Dokazali smo, da dosežemo skoraj isto klasifikacijsko točnost z izbranimi osmimi atributi kot z vsemi dvajsetimi. Z združitvijo lastnih in izbranih karakteristik nam je uspelo zagotoviti smernice, ki bi slovenskim bankam omogočale izboljšanje sistema za odobritev kreditov. Zaključimo, da bi bilo koristno če bi banke uporabl- jale poenotena merila za dodeljevanje posojil. Zagotovile bi enakopraven, pregleden in učinkovit pristop k reševanju kreditne problematike.
Ključne besede: krediti, strojno učenje, klasifikacija, odločitveno drevo, metoda podpornih vektorjev, kreditno točkovanje.
Objavljeno: 11.02.2010; Ogledov: 2096; Prenosov: 272
.pdf Celotno besedilo (2,60 MB)

13.
Iskanje izvedeno v 0.09 sek.
Na vrh
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici