Tipo:	Trabalho de Conclusão de Curso
Título:	Predição do risco de crédito em instituições financeiras utilizando Machine Learning
Autor(es):	Magalhães, Guilherme Freire
Primeiro Orientador:	Jukemura, Anibal Santos
metadata.dc.contributor.referee1:	Ribeiro, Lucília Gomes
metadata.dc.contributor.referee2:	Machado, Vitor Hugo Menezes
Resumo:	As instituições financeiras têm transformado suas estratégias para concessão de crédito através da análise de dados históricos e do uso de tecnologias de inteligência artificial para apoiar as suas decisões, visando maior precisão nas análises e redução da exposição aos riscos de inadimplência. Este trabalho tem como propósito aplicar e comparar algoritmos de Machine Learning para classificação preditiva de clientes com potencial de inadimplência. O objetivo é demonstrar que algoritmos de Machine Learning podem ser utilizados como ferramentas preditivas, auxiliando empresas do setor a tomarem decisões mais assertivas. O estudo apresenta uma comparação entre três diferentes algoritmos utilizados em problemas de classificação e predição: K-Nearest Neighbors, Random Forest e XGBoost. Após a realização dos experimentos e a coleta dos resultados, observou-se que, entre os algoritmos analisados, o XGBoost apresentou o melhor desempenho. Conclui-se que o uso da inteligência artificial através do Machine Learning nas análises de risco de crédito pode contribuir significativamente para melhorar as decisões de concessão de crédito, e que a implementação do algoritmo XGBoost pode ser um importante aliado nesse processo.
Palavras-chave:	Crédito Análise de dados Inteligência artificial Machine learning K-Nearest Neighbors XGBoost
CNPq:	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAO
Idioma:	por
País:	Brasil
Editor:	Pontifícia Universidade Católica de Goiás
Sigla da Instituição:	PUC Goiás
metadata.dc.publisher.department:	Escola Politécnica
Tipo de Acesso:	Acesso Aberto
URI:	https://repositorio.pucgoias.edu.br/jspui/handle/123456789/8418
Data do documento:	10-Dez-2024
Aparece nas coleções:	TCC Ciência da Computação

Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.