Тема выпускной квалификационной работы: «Оценка платежеспособности клиентов банка с использованием методов машинного обучения». Данная работа посвящена исследованию подходов к оценке платежеспособности банковских клиентов, с использованием методов машинного обучения. Задачи, которые решались в ходе исследования: Обзор литературы, посвященной использованию машинного обучения в банковской сфере; Изучение и подготовка набора данных для последующего анализа; Построение моделей оценки платежеспособности с использованием методов машинного обучения. Работа проведена с помощью языка R и интегрированной среды разработки RStudio, где проводилась значительная часть исследований. В ней проведен предварительный анализ набора данных, значения атрибутов преобразованы к корректным типам данных, показана структура набора данных. Оценка платежеспособности проводилась с использованием таких методов классификации, как логистическая регрессия, метод опорных векторов, алгоритм случайного леса и алгоритм деревьев решений. В результате проделанной работы было применено четыре метода машинного обучения для решения поставленной задачи. Для каждой модели получены графики ROC-кривых, показывающие качество прогнозируемой модели. Дополнительно приведены метрики качества полученных моделей, на основе которых сделан выбор наилучшей модели.

Theme of final qualification work: "Assessment of the solvency of bank customers using machine learning methods". This work is devoted to the study of approaches to assessing the solvency of bank customers using machine learning methods. Tasks that were solved during the study: Review of the literature on the use of machine learning in the banking sector; Study and preparation of a data set for subsequent analysis; Construction of solvency assessment models using machine learning methods. The work was carried out using the R language and the R Studio integrated development environment, where a significant part of the research was carried out. It contains a preliminary analysis of the data set, attribute values are converted to the correct data type, and the structure of the data set is shown. Solvency assessment was carried out using classification methods such as logistic regression, the method of support vectors, the algorithm of a random forest and the algorithm of decision trees. As a result of the work done, four machine learning methods were applied to solve the task. For each model, graphs of ROC curves are obtained, showing the quality of the predicted model. Additionally, the quality metrics of the obtained models are given, on the basis of which the choice of the best model is made.