|
|
Comparative aAnalysis of Unsupervised Anomaly Detection Methods for Credit Card Fraud Detection
Jůzová, Anna ; Červinka, Michal (vedoucí práce) ; Janásek, Lukáš (oponent)
V posledních letech roste se zvyšujícím se počtem bezhotovostních a on- line plateb i množství podvodných transakcí, jejichž detekce představuje pro fnanční instituce značnou výzvu. Jako slibný nástroj se v této oblasti pro- fluje strojové učení. Tato práce se zaměřuje na modely strojového učení pro detekci anomálií, konkrétně Isolation Forest, Local Outlier Factor a One-Class Support Vector Machine, které identifkují podvodné platby na základě jejich odlišnosti od již proběhlých legitimních transakcí a jimž v dosavadním výzkumu nebyla v tomto oboru věnována dostatečná pozornost. Aby bylo dosaženo co nejlepších výsledků, data jsou normalizována pomocí několika různých normali- začních technik a pro každý model strojového učení je hledána ta nejvhodnější. Nejlepších výsledků dosahuje mezi testovanými modely Local Outlier Factor s daty normalizovanými metodou min-max. Klasifkace JEL C49, G21, K42 Klíčová slova podvod s platebními kartami, strojové učení, detekce anomálií, normalizace dat Název práce Srovnávací analýza nesupervizovaných metod detekce anomálií pro detekci podvodů s platebními kartami E-mail autora anna.juzova11@gmail.com E-mail vedoucího práce michal.cervinka@fsv.cuni.cz
|
|
|
Time-Series Analysis and Prediction by Means of Neural Networks
Kňažovič, Martin ; Jaroš, Jiří (oponent) ; Bidlo, Michal (vedoucí práce)
This thesis deals with stock price prediction based on the creation of prediction models for selected stocks (BRK-A, GOOG, and MSFT), which can help investors in the creation of their financial decisions or by replacing other stock prediction models in existing prediction systems. Models created in this thesis are presented in two types - univariate model and multivariate model, which are in their final version presented in two architectures, one-layer architecture and two-layer architecture. Discussed models are created by means of neural networks, specifically recurrent neural networks with its extension - Long short-term memory. The output of the presented models is a forecast of the next-day stock price, which can be used for evaluating the right time to buy or sell a given stock. The quality of individual prediction models is evaluated via the mean squared error of the validation or testing dataset or alternatively based on stock price trend prediction.
|
|
|
Techniques For Avoiding Model Overfitting On Small Dataset
Kratochvila, Lukas
Building a deep learning model based on small dataset is difficult, even impossible. Toavoiding overfitting, we must constrain model, which we train. Techniques as data augmentation,regularization or data normalization could be crucial. We have created a benchmark with a simpleCNN image classifier in order to find the best techniques. As a result, we compare different types ofdata augmentation and weights regularization and data normalization on a small dataset.
|
|
|
Kompozitní indikátory: konstrukce, využití, interpretace
Hudrlíková, Lenka ; Fischer, Jakub (vedoucí práce) ; Čadil, Jan (oponent) ; Hužvár, Miroslav (oponent)
Cílem disertační práce je poskytnout komplexní pohled na konstrukci, využití a interpretaci kompozitních indikátorů. V práci se zabývám metodami a technikami, které lze při tvorbě kompozitního indikátoru použít a které přispívají k transparentnímu řešení problému korelace mezi ukazateli a kompenzace hodnot ukazatelů. Právě transparentnost konstrukce kompozitního ukazatele je stěžejní podmínkou pro získání věrohodných výsledků a jejich správnou interpretaci. Práce je rozdělena na dvě části. První část práce je orientována teoreticky. Na začátku se zabývám adekvačním problémem a kvantifikací pojmů pomocí statistických ukazatelů. Následuje úvod do problematiky kompozitních indikátorů. Postupně se zabývám metodami normalizace dat, metodami pro určení vah a metodami agregace. Tyto tři kroky v rámci konstrukce považuji za stěžejní, a tedy tvoří jádro předkládané práce. Cílem práce je prozkoumat metody, jež mohou být použity při konstrukci KI, a to zejména z hlediska jejich provázanosti, jelikož normalizace, stanovení vah a agregace nejsou nezávislé. Druhá část práce se skládá ze dvou komplexních příkladů, na nichž jsou dosažené teoretické poznatky aplikovány a empiricky ověřeny. Na souboru ukazatelů Evropa 2020 jsem prozkoumala robustnost kompozitního ukazatele v závislosti na zvolené kombinaci způsobu normalizace, agregace a váhového schématu. Zatímco v prvním příkladu se věnuji porovnání jednotlivých metod, druhý příklad je zaměřen úzce na jednu metodu při použití kompozitního indikátoru pro hodnocení kvality vysokých škol. Metoda, již navrhuji, reaguje na kritiku současných systémů porovnání vysokých škol a zohledňuje různá specifika jednotlivých škol i další exogenní charakteristiky. Hlavní přínos práce spočívá v přispění k diskuzi o zlepšení konstrukce a celkové kvality kompozitních indikátorů včetně jejich interpretace. Závěr přináší několik poznatků, jež mohou být využity při praktické konstrukci kompozitních indikátorů i při interpretaci výsledných hodnot. Práce může zároveň sloužit jako teoretický základ pro další rozvoj metodologie konstrukce kompozitních indikátorů.
|
host ::
RSS.