PRODUÇÃO ACADÊMICA Repositório Acadêmico da Graduação (RAG) TCC Ciência da Computação
Use este identificador para citar ou linkar para este item: https://repositorio.pucgoias.edu.br/jspui/handle/123456789/8418
Registro completo de metadados
Campo DCValorIdioma
dc.creatorMagalhães, Guilherme Freirept_BR
dc.date.accessioned2024-12-15T20:01:10Z-
dc.date.available2024-12-15T20:01:10Z-
dc.date.issued2024-12-10-
dc.identifier.urihttps://repositorio.pucgoias.edu.br/jspui/handle/123456789/8418-
dc.languageporpt_BR
dc.publisherPontifícia Universidade Católica de Goiáspt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectCréditopt_BR
dc.subjectAnálise de dadospt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectMachine learningpt_BR
dc.subjectK-Nearest Neighborspt_BR
dc.subjectXGBoostpt_BR
dc.titlePredição do risco de crédito em instituições financeiras utilizando Machine Learningpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Jukemura, Anibal Santospt_BR
dc.contributor.advisor1IDhttps://orcid.org/0000-0001-9922-460Xpt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3837493709938496pt_BR
dc.contributor.referee1Ribeiro, Lucília Gomespt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/1661112253971159pt_BR
dc.contributor.referee2Machado, Vitor Hugo Menezespt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5458633689231403-
dc.description.resumoAs 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.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEscola Politécnicapt_BR
dc.publisher.initialsPUC Goiáspt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAOpt_BR
dc.degree.graduationCiências da Computaçãopt_BR
dc.degree.levelGraduaçãopt_BR
Aparece nas coleções:TCC Ciência da Computação

Arquivos associados a este item:
Arquivo TamanhoFormato 
TCC-final+termo.pdf1,42 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


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

Ferramentas do administrador