Modelo tecnológico de análisis predictivo basado en machine learning para evaluación de riesgo crediticio
Descripción del Articulo
El incremento de herramientas e innovación en tecnología para la sociedad trae como resultado que las organizaciones empiecen a producir y almacenar grandes cantidades de datos. Así, la gestión y la obtención de conocimiento a partir de estos datos es un desafío y clave para generar ventaja competit...
Autores: | , |
---|---|
Formato: | tesis de grado |
Fecha de Publicación: | 2017 |
Institución: | Universidad Peruana de Ciencias Aplicadas |
Repositorio: | UPC-Institucional |
Lenguaje: | español |
OAI Identifier: | oai:repositorioacademico.upc.edu.pe:10757/656207 |
Enlace del recurso: | http://hdl.handle.net/10757/656207 |
Nivel de acceso: | acceso abierto |
Materia: | Riesgo crediticio Calificación crediticia Crédito financiero Machine Learning Studio Machine Learning Azure Credit risk Credit rating Financial credit http://purl.org/pe-repo/ocde/ford#2.00.00 https://purl.org/pe-repo/ocde/ford#2.02.04 |
id |
UUPC_a9e9d89bba692ad7945c3665eb34dbeb |
---|---|
oai_identifier_str |
oai:repositorioacademico.upc.edu.pe:10757/656207 |
network_acronym_str |
UUPC |
network_name_str |
UPC-Institucional |
repository_id_str |
2670 |
dc.title.en_US.fl_str_mv |
Modelo tecnológico de análisis predictivo basado en machine learning para evaluación de riesgo crediticio |
title |
Modelo tecnológico de análisis predictivo basado en machine learning para evaluación de riesgo crediticio |
spellingShingle |
Modelo tecnológico de análisis predictivo basado en machine learning para evaluación de riesgo crediticio Ortiz Huamán, Cesar Humberto Riesgo crediticio Calificación crediticia Crédito financiero Machine Learning Studio Machine Learning Azure Credit risk Credit rating Financial credit http://purl.org/pe-repo/ocde/ford#2.00.00 https://purl.org/pe-repo/ocde/ford#2.02.04 |
title_short |
Modelo tecnológico de análisis predictivo basado en machine learning para evaluación de riesgo crediticio |
title_full |
Modelo tecnológico de análisis predictivo basado en machine learning para evaluación de riesgo crediticio |
title_fullStr |
Modelo tecnológico de análisis predictivo basado en machine learning para evaluación de riesgo crediticio |
title_full_unstemmed |
Modelo tecnológico de análisis predictivo basado en machine learning para evaluación de riesgo crediticio |
title_sort |
Modelo tecnológico de análisis predictivo basado en machine learning para evaluación de riesgo crediticio |
author |
Ortiz Huamán, Cesar Humberto |
author_facet |
Ortiz Huamán, Cesar Humberto Haro Bernal, Brenda Ximena |
author_role |
author |
author2 |
Haro Bernal, Brenda Ximena |
author2_role |
author |
dc.contributor.advisor.fl_str_mv |
Armas Aguirre, Jimmy Alexander |
dc.contributor.author.fl_str_mv |
Ortiz Huamán, Cesar Humberto Haro Bernal, Brenda Ximena |
dc.subject.en_US.fl_str_mv |
Riesgo crediticio Calificación crediticia Crédito financiero Machine Learning Studio Machine Learning Azure Credit risk Credit rating Financial credit |
topic |
Riesgo crediticio Calificación crediticia Crédito financiero Machine Learning Studio Machine Learning Azure Credit risk Credit rating Financial credit http://purl.org/pe-repo/ocde/ford#2.00.00 https://purl.org/pe-repo/ocde/ford#2.02.04 |
dc.subject.ocde.en_US.fl_str_mv |
http://purl.org/pe-repo/ocde/ford#2.00.00 https://purl.org/pe-repo/ocde/ford#2.02.04 |
description |
El incremento de herramientas e innovación en tecnología para la sociedad trae como resultado que las organizaciones empiecen a producir y almacenar grandes cantidades de datos. Así, la gestión y la obtención de conocimiento a partir de estos datos es un desafío y clave para generar ventaja competitiva. Dentro del proyecto dos enfoques son tomados en cuenta; la complejidad de implementación, los costos asociados por el uso de tecnologías y herramienta necesarias. Para encontrar los secretos que esconden los datos recolectados, es necesario tener una gran cantidad de ellos y examinarlos de forma minuciosa para así encontrar patrones. Este tipo de análisis es de complejidad alta para que nosotros mismos logremos detectar (Chappell & Associates, 2015). Campos de Ciencias de la Computación como Machine Learning servirán de base para la realización del análisis predictivo que permita anticiparnos al comportamiento futuro de las variables definidas según el problema que identifiquemos. El presente proyecto tiene como principio la necesidad de tener un Modelo Tecnológico de análisis predictivo basado en Machine Learning en la evaluación de riesgo crediticio. Fue tomada en consideración la situación actual sobre las diferentes implementaciones y arquitecturas que fueron desarrolladas por empresas que cuentan soluciones predefinidas o con propuestas generales que no permiten la flexibilidad y detalle de que necesita tener un sistema con la tecnología de Machine Learning. |
publishDate |
2017 |
dc.date.accessioned.none.fl_str_mv |
2021-05-28T00:16:55Z |
dc.date.available.none.fl_str_mv |
2021-05-28T00:16:55Z |
dc.date.issued.fl_str_mv |
2017-07-15 |
dc.type.en_US.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.other.es_PE.fl_str_mv |
Tesis |
dc.type.coar.es_PE.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
format |
bachelorThesis |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10757/656207 |
dc.identifier.isni.none.fl_str_mv |
0000 0001 2196 144X |
url |
http://hdl.handle.net/10757/656207 |
identifier_str_mv |
0000 0001 2196 144X |
dc.language.iso.es_PE.fl_str_mv |
spa |
language |
spa |
dc.relation.ispartof.fl_str_mv |
SUNEDU |
dc.rights.es_PE.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ |
dc.rights.coar.es_PE.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
dc.format.en_US.fl_str_mv |
application/pdf application/epub application/msword |
dc.publisher.en_US.fl_str_mv |
Universidad Peruana de Ciencias Aplicadas (UPC) |
dc.publisher.country.es_PE.fl_str_mv |
PE |
dc.source.es_PE.fl_str_mv |
Universidad Peruana de Ciencias Aplicadas (UPC) Repositorio Académico - UPC |
dc.source.none.fl_str_mv |
reponame:UPC-Institucional instname:Universidad Peruana de Ciencias Aplicadas instacron:UPC |
instname_str |
Universidad Peruana de Ciencias Aplicadas |
instacron_str |
UPC |
institution |
UPC |
reponame_str |
UPC-Institucional |
collection |
UPC-Institucional |
bitstream.url.fl_str_mv |
https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/7/OrtizH_C.pdf.jpg https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/9/OrtizH_C_Ficha.pdf.jpg https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/6/OrtizH_C.pdf.txt https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/8/OrtizH_C_Ficha.pdf.txt https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/3/OrtizH_C.pdf https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/4/OrtizH_C.docx https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/5/OrtizH_C_Ficha.pdf https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/2/license.txt https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/1/license_rdf |
bitstream.checksum.fl_str_mv |
54163b415bed33eb6e58c983064b163b dba3b0097a8b0dd7e0035aa404bb8e93 04e4f615bc843f232d836e0716daebc4 4b687e869ecbcb0ceb1d98ace807d911 f9f9f30cb687097fe30d4e943b99f356 5cac578b4ede3f00ea5530f8f0bd8baa df4afc63dae437b7ccc3902e8791e09f 8a4605be74aa9ea9d79846c1fba20a33 934f4ca17e109e0a05eaeaba504d7ce4 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio académico upc |
repository.mail.fl_str_mv |
upc@openrepository.com |
_version_ |
1845545592395137024 |
spelling |
d0f77dcd568c9e1c4438e5c6a157914fhttp://orcid.org/0000-0002-1176-8969Armas Aguirre, Jimmy Alexandereec27c82731680a1631849bac1ac8d9d500d0eac3f49a5ec6622f4cfa3a4ec8a04b500Ortiz Huamán, Cesar HumbertoHaro Bernal, Brenda Ximena2021-05-28T00:16:55Z2021-05-28T00:16:55Z2017-07-15http://hdl.handle.net/10757/6562070000 0001 2196 144XEl incremento de herramientas e innovación en tecnología para la sociedad trae como resultado que las organizaciones empiecen a producir y almacenar grandes cantidades de datos. Así, la gestión y la obtención de conocimiento a partir de estos datos es un desafío y clave para generar ventaja competitiva. Dentro del proyecto dos enfoques son tomados en cuenta; la complejidad de implementación, los costos asociados por el uso de tecnologías y herramienta necesarias. Para encontrar los secretos que esconden los datos recolectados, es necesario tener una gran cantidad de ellos y examinarlos de forma minuciosa para así encontrar patrones. Este tipo de análisis es de complejidad alta para que nosotros mismos logremos detectar (Chappell & Associates, 2015). Campos de Ciencias de la Computación como Machine Learning servirán de base para la realización del análisis predictivo que permita anticiparnos al comportamiento futuro de las variables definidas según el problema que identifiquemos. El presente proyecto tiene como principio la necesidad de tener un Modelo Tecnológico de análisis predictivo basado en Machine Learning en la evaluación de riesgo crediticio. Fue tomada en consideración la situación actual sobre las diferentes implementaciones y arquitecturas que fueron desarrolladas por empresas que cuentan soluciones predefinidas o con propuestas generales que no permiten la flexibilidad y detalle de que necesita tener un sistema con la tecnología de Machine Learning.Increasing tools and technology innovation for society results in organizations starting to produce and store large amounts of data. Thus, managing and obtaining knowledge from this data is a challenge and key to generating competitive advantage. Within this project two approaches are taken into account; The complexity of implementation and the costs associated with the use of necessary technologies and tools. To find the secrets that hide the collected data, it is necessary to have a large number of them and to examine them in order to find patterns. This type of analysis is highly complex so that we can detect it ourselves (Chappell & Associates, 2015). Fields of Computer Science as Machine Learning will serve as basis for the realization of the predictive analysis that allows us to anticipate the future behavior of the variables defined according to the problem that we identify. The present project has as principle the need to have a process model of predictive analysis based on machine learning for the evaluation of credit risk. It was taken into consideration the current situation regarding the different implementations and architectures that were developed by companies that have predefined solutions or with general proposals that do not allow the flexibility and detail that you need to have a system for the use of Machine Learning technology.Tesisapplication/pdfapplication/epubapplication/mswordspaUniversidad Peruana de Ciencias Aplicadas (UPC)PEinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2Universidad Peruana de Ciencias Aplicadas (UPC)Repositorio Académico - UPCreponame:UPC-Institucionalinstname:Universidad Peruana de Ciencias Aplicadasinstacron:UPCRiesgo crediticioCalificación crediticiaCrédito financieroMachine Learning StudioMachine Learning AzureCredit riskCredit ratingFinancial credithttp://purl.org/pe-repo/ocde/ford#2.00.00https://purl.org/pe-repo/ocde/ford#2.02.04Modelo tecnológico de análisis predictivo basado en machine learning para evaluación de riesgo crediticioinfo:eu-repo/semantics/bachelorThesisTesishttp://purl.org/coar/resource_type/c_7a1fSUNEDUUniversidad Peruana de Ciencias Aplicadas (UPC). Facultad de IngenieríaLicenciaturaIngeniería de Sistemas de InformaciónIngeniero de sistemas de información2021-06-02T04:12:18Zhttps://purl.org/pe-repo/renati/type#tesishttps://orcid.org/0000-0002-1176-8969https://purl.org/pe-repo/renati/level#tituloProfesional612136CONVERTED2_3743101THUMBNAILOrtizH_C.pdf.jpgOrtizH_C.pdf.jpgGenerated Thumbnailimage/jpeg34391https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/7/OrtizH_C.pdf.jpg54163b415bed33eb6e58c983064b163bMD57false2087-07-15OrtizH_C_Ficha.pdf.jpgOrtizH_C_Ficha.pdf.jpgGenerated Thumbnailimage/jpeg36078https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/9/OrtizH_C_Ficha.pdf.jpgdba3b0097a8b0dd7e0035aa404bb8e93MD59falseTEXTOrtizH_C.pdf.txtOrtizH_C.pdf.txtExtracted texttext/plain101629https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/6/OrtizH_C.pdf.txt04e4f615bc843f232d836e0716daebc4MD56false2087-07-15OrtizH_C_Ficha.pdf.txtOrtizH_C_Ficha.pdf.txtExtracted texttext/plain4https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/8/OrtizH_C_Ficha.pdf.txt4b687e869ecbcb0ceb1d98ace807d911MD58falseORIGINALOrtizH_C.pdfOrtizH_C.pdfapplication/pdf2321189https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/3/OrtizH_C.pdff9f9f30cb687097fe30d4e943b99f356MD53true2087-07-15OrtizH_C.docxOrtizH_C.docxapplication/vnd.openxmlformats-officedocument.wordprocessingml.document2207832https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/4/OrtizH_C.docx5cac578b4ede3f00ea5530f8f0bd8baaMD54false2087-07-15OrtizH_C_Ficha.pdfOrtizH_C_Ficha.pdfapplication/pdf1491052https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/5/OrtizH_C_Ficha.pdfdf4afc63dae437b7ccc3902e8791e09fMD55falseLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52falseCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81031https://repositorioacademico.upc.edu.pe/bitstream/10757/656207/1/license_rdf934f4ca17e109e0a05eaeaba504d7ce4MD51false10757/656207oai:repositorioacademico.upc.edu.pe:10757/6562072025-07-20 18:58:09.665Repositorio académico upcupc@openrepository.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 |
score |
12.967562 |
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).