Propuneri manuscrise: info@editurauniversitara.ro: 0745 204 115
Urmarire comenzi Persoane fizice / Vanzari: 0745 200 718 / 0745 200 357 / Comenzi Persoane juridice: 0721 722 783
RO 
Engleza
6359.png "Editura Universitara")
Tehnici de clasificare automata a datelor. Utilizarea retelelor neuronale in stabilirea ratingului de tara - Ana Maria Mihaela Iordache
![Tehnici de clasificare automata a datelor. Utilizarea retelelor neuronale in stabilirea ratingului de tara - Ana Maria Mihaela Iordache [1]](https://gomagcdn.ro/domains/editurauniversitara.ro/files/product/original/iordache-ana-maria_tehnici-de-clasare-automata-a-datelor_bt-6469-6488.jpg "Tehnici de clasificare automata a datelor. Utilizarea retelelor neuronale in stabilirea ratingului de tara - Ana Maria Mihaela Iordache [1]")
ISBN: 978-606-28-1435-9
DOI: https://doi.org/10.5682/9786062814359
Anul publicării: 2022
Editia: I
Pagini: 156
Editura: Editura Universitara
Autor: Ana Maria Mihaela Iordache
Cod Produs:
9786062814359
Ai nevoie de ajutor?
0745 200 718
/
0745 200 357
- Download (1)
- Autori
- Cuprins
- Cuvant inainte
- Unde se gaseste
- Review-uri (0)
-
Tehnici de clasificare automata a datelor. Utilizarea retelelor neuronale in stabilirea ratingului de tara
Descarca
ANA MARIA MIHAELA IORDACHE
Introducere / 7
Capitolul 1. Aspecte generale privind data mining si modelarea pe baza retelelor neuronale / 11
1.1 Istoric si definirea termenului de data mining / 11
1.2 Metode si tehnici de data mining / 14
1.3 Definire si forma generala a unei retele neuronale / 20
1.4 Algoritmi de instruire a retelelor neuronale / 23
1.5 Retele hebbiene. Factor de uitare / 29
Capitolul 2. Problema clasificarii obiectelor in abordarea ratingului de tara / 30
2.1 Stadiul actual de cercetare al problemei clasificarii obiectelor / 30
2.2 Reteaua neuronala in clasificare / 31
2.3 Algoritmul de instruire al retelei de tip perceptron multistrat / 33
2.4 Algoritmul de instruire al perceptronului multistrat cu un strat ascuns de neuroni / 36
2.5 Metode de calcul ale ratingului de tara utilizate de diverse agentii de rating / 39
Capitolul 3 Clasificarea tarilor din Uniunea Europeana in functie de indicatorii economici, sociali si financiari din prisma analizei datelor / 47
3.1 Definirea problemei si a metodologiei de clasificare a tarilor / 47
3.2 Clasificarea tarilor in functie de grupuri diferite de indicatori / 49
3.2.1 Indicatori economici / 49
3.2.2 Indicatori sociali / 57
3.2.3 Indicatori financiari / 64
Capitolul 4. Clasificarea tarilor prin intermediul retelei neuronale / 70
4.1 Stabilirea (alegerea) indicatorilor pentru reteaua neuronala / 70
4.2 Asocierea unei retele neuronale problemei de clasificare a tarilor / 74
4.3 Concluzii legate de rezultatul modelarii cu ajutorul retelei neuronale / 97
4.4 Recomandari pentru cercetari viitoare (algoritmi genetici) / 100
Concluzii / 105
Anexe / 113
O data cu aparitia calculatoarelor si cu marirea volumului de date a aparut necesitatea de a identifica cunostinte noi, necunoscute pana in acel moment intr‑un timp relativ scurt.
In acest context, data mining, cunoscuta si ca „descoperirea cunostintelor in baze de date mari” este un instrument modern si puternic al tehnologiei informatiei si comunicatiilor, instrument ce poate fi folosit pentru a extrage informatii utile dar inca necunoscute.
Acest lucru automatizeaza procesul de descoperire al unor relatii si combinatii in datele brute, iar rezultatele gasite ar putea fi incadrate intr‑un sistem automat de suport al deciziei.
Orice activitate umana, atat la nivel microeconomic, cat si la nivel macroeconomic se desfasoara in conditii de risc si incertitudine. Unele dintre acestea pot fi evitate mai usor sau mai greu in functie de nivelul de cunoastere, de gradul de evaluare sau de importanta care li se acorda in fundamentarea deciziilor.
Cercetarea a avut ca obiective principale: prezentarea cat mai exhaustiva a tehnicilor de clasificare automata a datelor avand ca suport de decizie retelele neuronale si elaborarea unei metodologii de evaluare a ratingului de tara in functie de mai multi indicatori alesi din diverse grupe: indicatori economici, indicatori financiari si indicatori sociali. Modelul de clasificare propus are aplicabilitate atat la nivel macroeconomic, cat si la nivel microeconomic.
La nivel microeconomic, in contextul globalizarii, derularea de afaceri de catre agentii economici pe pietele externe se va realiza numai daca exista un stimulent suficient de puternic, in masura sa motiveze companiile sa‑si asume riscurile implicate desfasurarii activitatii intr‑o anumita tara. Ratingul de tara calculat de diverse institutii este un indicator agregat foarte important atunci cand se analizeaza oportunitatea de a investi sau nu in acea zona.
La nivel macroeconomic, analiza riscului de tara presupune identificarea dificultatilor care pot sa apara in onorarea de catre un anumit stat a obligatiilor care decurg din angajamentele sale luate pe plan extern.
Lucrarea de doctorat este alcatuita din cinci capitole. In primul capitol intitulat „Aspecte generale privind data mining si modelarea pe baza retelelor neuronale” am prezentat un istoric si o definitie a termenului data mining, o scurta sinteza a metodelor si tehnicilor data mining, punand accent pe modelarea bazata pe retelele neuronale.
Dezvoltarea calculatoarelor si implicit a puterii de calcul precum si a volumului mare de date au condus la necesitatea de a descoperi informatii noi intr‑un timp relativ scurt. In acest context, incepand cu anii 2000 s‑a dezvoltat o noua tehnologie denumita data mining. Metodele data mining provin din statistica, administrarea bazelor de date si din inteligenta artificiala (retele neuronale, analiza datelor, procesarea imaginilor, invatarea asistata de calculator, algoritmi genetici, etc.). Printre tehnicile de data mining cele mai des intalnite se numara: excluderea, clasificarea (clusterizarea), discriminarea si previziunea.
Retelele neuronale sunt utilizate pentru solutionarea unor probleme ce nu pot fi rezolvate cu ajutorul algoritmilor conventionale, cum ar fi probleme de optimizare, probleme de clasificare, etc. O retea neuronala este alcatuita din neuroni, grupati in straturi, fiecare neuron dintr‑un anumit strat fiind conectat la toti neuronii din stratul anterior si la toti neuronii din stratul ce urmeaza, cu exceptia straturilor de intrare si iesire. Cel mai important si cel mai des folosit algoritm de antrenare a unei retele neuronale este algoritmul back‑propagation.
In capitolul doi al lucrarii intitulat „Problema clasificarii obiectelor in abordarea ratingului de tara” am realizat o trecere in revista a stadiului actual al cercetarii in domeniul clasificarii obiectelor si am studiat reteaua neuronala in problema de clasificare.
Retelele neuronale sunt flexibile, se pot adapta cu usurinta datelor de antrenament si pot gestiona mai bine „zgomotul” si schimbarile aparute in exemplele de invatare. Odata incheiat procesul de instruire (antrenare), o retea neuronala poate genera un output rezonabil pentru datele de intrare care nu i‑au mai fost prezentate in faza de invatare.
In domeniul clasificarii obiectelor cel mai utilizat model este perceptronul multistrat. Acest model presupune existenta unei retele neuronale conectata in totalitate, avand neuronii dispusi pe mai multe straturi astfel: strat de intrare, unul sau mai multe straturi ascunse si un strat de iesire. Printre avantajele perceptronului multistrat se numara: eficienta in reamintire si eficienta mare in clasificare. Timpul indelungat de instruire al acestui tip de retea neuronala limiteaza oarecum aplicarea modelului. Mai departe am prezentat pe scurt metodologia folosita de diverse agentii pentru evaluarea ratingului de tara si a modului de acordare al calificativului pentru un anumit stat.
Pornind de la definitia conform careia riscul reprezinta variabilitatea rezultatului posibil in functie de un eveniment nesigur, incert, exista mai multe agentii de rating, fiecare dintre acestea avand propriul model de evaluare al riscului si oferind diverse produse pentru diferite segmente de utilizatori. Astfel, principalele agentii de rating existente sunt: Institutional Investor, Standard & Poor`s, Political Risk Services, The Economist, Moody`s si altele.
La realizarea aplicatiei am utilizat urmatoarea metodologie: alegerea grupului de tari asupra caruia se realizeaza aplicatia (tarile din Uniunea Europeana: Austria, Danemarca, Suedia, Finlanda, Germania, Cipru, Letonia, Polonia, Lituania, Olanda, Spania, Portugalia, Franta, Italia, Romania, Grecia, Marea Britanie, Bulgaria, Belgia, Ungaria, Malta, Slovacia, Cehia, Estonia, Slovenia, Luxemburg, Irlanda); stabilirea indicatorilor, inregistrarea valorilor acestora (pentru anul 2009) si aplicarea tehnicilor de analiza a datelor (analiza in componente principale, analiza cluster si analiza factoriala) asupra fiecarei grupa de indicatori; extragerea indicatorilor care aduc aport informational maxim din fiecare grupa; realizarea si instruirea retelei neuronale; interpretarea rezultatelor obtinute si realizarea de previziuni (simulari) asupra situatiei Romaniei.
Partea a treia a lucrarii prezinta aplicabilitatea tehnicilor de data mining, mai precis extragerea informatiilor ”ascunse”, ”importante” din listele cu indicatorii tarilor inregistrati in diferite planuri (economic, social si financiar) folosind astfel tehnici de analiza a datelor (analiza in componente principale, analiza factoriala si analiza cluster).
Seturile de indicatori utilizati in aplicatie sunt urmatorii:
‑ Indicatori economici: consum final (% din PIB), cererea interna (% din PIB), consumul final al gospodariilor (% din PIB), formarea bruta de capital (% din PIB), formarea bruta de capital fix (% din PIB), exporturi (% din PIB), importuri (% din PIB), valoarea adaugata bruta (preturi curente) (% din PIB), impozite fara subventii pe produs (% din PIB), salarii (% din PIB), formarea bruta de capital fix de catre sectorul privat (% din PIB);
‑ Indicatori sociali: pondere angajati cu contract partial de munca in total angajati, ponderea populatiei angajate in total populatie, ponderea populatiei in varsta 0‑14 ani in total populatie, ponderea populatiei in varsta 15‑24 ani in total populatie, ponderea populatiei in varsta 25‑49 ani in total populatie, ponderea populatiei in varsta 50‑64 in total populatie, ponderea populatiei in varsta 65‑79 in total populatie, ponderea populatiei in varsta de peste 80 ani in total populatie, rata somajului, varsta medie a populatiei;
‑ Indicatori financiari: rata anuala medie a inflatiei (raportata la indicele preturilor de consum), deficit public fiscal (% din PIB), investitii publice fixe (% din PIB), datoria publica (guvernamentala) % din PIB, soldul contului curent (% PIB), imprumuturi guvernamentale externe (% din PIB).
Pentru fiecare set de indicatori am aplicat tehnici de analiza a componentelor principale, tehnici de analiza cluster si analiza factoriala pentru o prima clasificare a tarilor in functie de indicatorii din fiecare grupa.
Ultimul capitol al lucrarii intitulat ”Clasificarea tarilor prin intermediul retelei neuronale” prezinta asocierea unei retele neuronale pentru problema de clasificare a tarilor in functie de indicatorii care aduc maximum de informatie din cele trei grupe de indicatori analizate in capitolul patru.
Pentru a asocia o retea neuronala de tip perceptron multistrat problemei analizate este necesar sa se cunoasca mai intai care sunt indicatorii care aduc maximum de informatie din fiecare grupa analizata si apoi in cate clase se impart tarile in functie de acesti indicatori.
In urma aplicarii tehnicilor de analiza a datelor indicatorii care aduc aport informational maxim din fiecare grupa sunt: cererea interna, formarea bruta de capital, exporturi (din domeniul economiei reale); ponderea populatiei angajate in total populatie, ponderea populatiei in varsta de 15‑24 ani in total populatie, varsta medie a populatiei (din plan social); deficit public fiscal, investitii publice fixe, imprumuturi guvernamentale externe (din domeniul financiar).
Dupa instruirea retelei neuronale s‑a constatat ca sunt tari care si‑au schimbat clasa in care erau initial. Acest lucru a fost posibil datorita faptului ca statele din Uniunea Europeana au fost impartite in trei parti: date de antrenare (80% din totalul tarilor), date de validare si date de testare.
Tot in acest capitol se prezinta anumite previziuni (scenarii) de imbunatatire a performantelor economice, sociale si financiare ale Romaniei cu scopul de a accede in clasa tarilor dezvoltate. Previziunile au fost obtinute pe baza scorurilor si a functiilor de transfer prin reteaua neuronala deja antrenata.
La nivelul Uniunii Europene este importanta stabilirea de politici economice, sociale si/sau financiare cu scopul evitarii dezechilibrelor macroeconomice si urmarirea realizarii unei cresteri sustenabile sprijinita, acolo unde este necesar, de adoptarea unor reforme structurale. Pentru realizarea acestui lucru, in ultimii ani se vorbeste tot mai mult de un nou concept numit macroprudentialitate. Dar oricat de eficiente ar fi politicile macroprudentiale, acestea nu pot inlocui politicile macroeconomice, sociale sau financiare adoptate la nivelul fiecarui stat.
In acest context, data mining, cunoscuta si ca „descoperirea cunostintelor in baze de date mari” este un instrument modern si puternic al tehnologiei informatiei si comunicatiilor, instrument ce poate fi folosit pentru a extrage informatii utile dar inca necunoscute.
Acest lucru automatizeaza procesul de descoperire al unor relatii si combinatii in datele brute, iar rezultatele gasite ar putea fi incadrate intr‑un sistem automat de suport al deciziei.
Orice activitate umana, atat la nivel microeconomic, cat si la nivel macroeconomic se desfasoara in conditii de risc si incertitudine. Unele dintre acestea pot fi evitate mai usor sau mai greu in functie de nivelul de cunoastere, de gradul de evaluare sau de importanta care li se acorda in fundamentarea deciziilor.
Cercetarea a avut ca obiective principale: prezentarea cat mai exhaustiva a tehnicilor de clasificare automata a datelor avand ca suport de decizie retelele neuronale si elaborarea unei metodologii de evaluare a ratingului de tara in functie de mai multi indicatori alesi din diverse grupe: indicatori economici, indicatori financiari si indicatori sociali. Modelul de clasificare propus are aplicabilitate atat la nivel macroeconomic, cat si la nivel microeconomic.
La nivel microeconomic, in contextul globalizarii, derularea de afaceri de catre agentii economici pe pietele externe se va realiza numai daca exista un stimulent suficient de puternic, in masura sa motiveze companiile sa‑si asume riscurile implicate desfasurarii activitatii intr‑o anumita tara. Ratingul de tara calculat de diverse institutii este un indicator agregat foarte important atunci cand se analizeaza oportunitatea de a investi sau nu in acea zona.
La nivel macroeconomic, analiza riscului de tara presupune identificarea dificultatilor care pot sa apara in onorarea de catre un anumit stat a obligatiilor care decurg din angajamentele sale luate pe plan extern.
Lucrarea de doctorat este alcatuita din cinci capitole. In primul capitol intitulat „Aspecte generale privind data mining si modelarea pe baza retelelor neuronale” am prezentat un istoric si o definitie a termenului data mining, o scurta sinteza a metodelor si tehnicilor data mining, punand accent pe modelarea bazata pe retelele neuronale.
Dezvoltarea calculatoarelor si implicit a puterii de calcul precum si a volumului mare de date au condus la necesitatea de a descoperi informatii noi intr‑un timp relativ scurt. In acest context, incepand cu anii 2000 s‑a dezvoltat o noua tehnologie denumita data mining. Metodele data mining provin din statistica, administrarea bazelor de date si din inteligenta artificiala (retele neuronale, analiza datelor, procesarea imaginilor, invatarea asistata de calculator, algoritmi genetici, etc.). Printre tehnicile de data mining cele mai des intalnite se numara: excluderea, clasificarea (clusterizarea), discriminarea si previziunea.
Retelele neuronale sunt utilizate pentru solutionarea unor probleme ce nu pot fi rezolvate cu ajutorul algoritmilor conventionale, cum ar fi probleme de optimizare, probleme de clasificare, etc. O retea neuronala este alcatuita din neuroni, grupati in straturi, fiecare neuron dintr‑un anumit strat fiind conectat la toti neuronii din stratul anterior si la toti neuronii din stratul ce urmeaza, cu exceptia straturilor de intrare si iesire. Cel mai important si cel mai des folosit algoritm de antrenare a unei retele neuronale este algoritmul back‑propagation.
In capitolul doi al lucrarii intitulat „Problema clasificarii obiectelor in abordarea ratingului de tara” am realizat o trecere in revista a stadiului actual al cercetarii in domeniul clasificarii obiectelor si am studiat reteaua neuronala in problema de clasificare.
Retelele neuronale sunt flexibile, se pot adapta cu usurinta datelor de antrenament si pot gestiona mai bine „zgomotul” si schimbarile aparute in exemplele de invatare. Odata incheiat procesul de instruire (antrenare), o retea neuronala poate genera un output rezonabil pentru datele de intrare care nu i‑au mai fost prezentate in faza de invatare.
In domeniul clasificarii obiectelor cel mai utilizat model este perceptronul multistrat. Acest model presupune existenta unei retele neuronale conectata in totalitate, avand neuronii dispusi pe mai multe straturi astfel: strat de intrare, unul sau mai multe straturi ascunse si un strat de iesire. Printre avantajele perceptronului multistrat se numara: eficienta in reamintire si eficienta mare in clasificare. Timpul indelungat de instruire al acestui tip de retea neuronala limiteaza oarecum aplicarea modelului. Mai departe am prezentat pe scurt metodologia folosita de diverse agentii pentru evaluarea ratingului de tara si a modului de acordare al calificativului pentru un anumit stat.
Pornind de la definitia conform careia riscul reprezinta variabilitatea rezultatului posibil in functie de un eveniment nesigur, incert, exista mai multe agentii de rating, fiecare dintre acestea avand propriul model de evaluare al riscului si oferind diverse produse pentru diferite segmente de utilizatori. Astfel, principalele agentii de rating existente sunt: Institutional Investor, Standard & Poor`s, Political Risk Services, The Economist, Moody`s si altele.
La realizarea aplicatiei am utilizat urmatoarea metodologie: alegerea grupului de tari asupra caruia se realizeaza aplicatia (tarile din Uniunea Europeana: Austria, Danemarca, Suedia, Finlanda, Germania, Cipru, Letonia, Polonia, Lituania, Olanda, Spania, Portugalia, Franta, Italia, Romania, Grecia, Marea Britanie, Bulgaria, Belgia, Ungaria, Malta, Slovacia, Cehia, Estonia, Slovenia, Luxemburg, Irlanda); stabilirea indicatorilor, inregistrarea valorilor acestora (pentru anul 2009) si aplicarea tehnicilor de analiza a datelor (analiza in componente principale, analiza cluster si analiza factoriala) asupra fiecarei grupa de indicatori; extragerea indicatorilor care aduc aport informational maxim din fiecare grupa; realizarea si instruirea retelei neuronale; interpretarea rezultatelor obtinute si realizarea de previziuni (simulari) asupra situatiei Romaniei.
Partea a treia a lucrarii prezinta aplicabilitatea tehnicilor de data mining, mai precis extragerea informatiilor ”ascunse”, ”importante” din listele cu indicatorii tarilor inregistrati in diferite planuri (economic, social si financiar) folosind astfel tehnici de analiza a datelor (analiza in componente principale, analiza factoriala si analiza cluster).
Seturile de indicatori utilizati in aplicatie sunt urmatorii:
‑ Indicatori economici: consum final (% din PIB), cererea interna (% din PIB), consumul final al gospodariilor (% din PIB), formarea bruta de capital (% din PIB), formarea bruta de capital fix (% din PIB), exporturi (% din PIB), importuri (% din PIB), valoarea adaugata bruta (preturi curente) (% din PIB), impozite fara subventii pe produs (% din PIB), salarii (% din PIB), formarea bruta de capital fix de catre sectorul privat (% din PIB);
‑ Indicatori sociali: pondere angajati cu contract partial de munca in total angajati, ponderea populatiei angajate in total populatie, ponderea populatiei in varsta 0‑14 ani in total populatie, ponderea populatiei in varsta 15‑24 ani in total populatie, ponderea populatiei in varsta 25‑49 ani in total populatie, ponderea populatiei in varsta 50‑64 in total populatie, ponderea populatiei in varsta 65‑79 in total populatie, ponderea populatiei in varsta de peste 80 ani in total populatie, rata somajului, varsta medie a populatiei;
‑ Indicatori financiari: rata anuala medie a inflatiei (raportata la indicele preturilor de consum), deficit public fiscal (% din PIB), investitii publice fixe (% din PIB), datoria publica (guvernamentala) % din PIB, soldul contului curent (% PIB), imprumuturi guvernamentale externe (% din PIB).
Pentru fiecare set de indicatori am aplicat tehnici de analiza a componentelor principale, tehnici de analiza cluster si analiza factoriala pentru o prima clasificare a tarilor in functie de indicatorii din fiecare grupa.
Ultimul capitol al lucrarii intitulat ”Clasificarea tarilor prin intermediul retelei neuronale” prezinta asocierea unei retele neuronale pentru problema de clasificare a tarilor in functie de indicatorii care aduc maximum de informatie din cele trei grupe de indicatori analizate in capitolul patru.
Pentru a asocia o retea neuronala de tip perceptron multistrat problemei analizate este necesar sa se cunoasca mai intai care sunt indicatorii care aduc maximum de informatie din fiecare grupa analizata si apoi in cate clase se impart tarile in functie de acesti indicatori.
In urma aplicarii tehnicilor de analiza a datelor indicatorii care aduc aport informational maxim din fiecare grupa sunt: cererea interna, formarea bruta de capital, exporturi (din domeniul economiei reale); ponderea populatiei angajate in total populatie, ponderea populatiei in varsta de 15‑24 ani in total populatie, varsta medie a populatiei (din plan social); deficit public fiscal, investitii publice fixe, imprumuturi guvernamentale externe (din domeniul financiar).
Dupa instruirea retelei neuronale s‑a constatat ca sunt tari care si‑au schimbat clasa in care erau initial. Acest lucru a fost posibil datorita faptului ca statele din Uniunea Europeana au fost impartite in trei parti: date de antrenare (80% din totalul tarilor), date de validare si date de testare.
Tot in acest capitol se prezinta anumite previziuni (scenarii) de imbunatatire a performantelor economice, sociale si financiare ale Romaniei cu scopul de a accede in clasa tarilor dezvoltate. Previziunile au fost obtinute pe baza scorurilor si a functiilor de transfer prin reteaua neuronala deja antrenata.
La nivelul Uniunii Europene este importanta stabilirea de politici economice, sociale si/sau financiare cu scopul evitarii dezechilibrelor macroeconomice si urmarirea realizarii unei cresteri sustenabile sprijinita, acolo unde este necesar, de adoptarea unor reforme structurale. Pentru realizarea acestui lucru, in ultimii ani se vorbeste tot mai mult de un nou concept numit macroprudentialitate. Dar oricat de eficiente ar fi politicile macroprudentiale, acestea nu pot inlocui politicile macroeconomice, sociale sau financiare adoptate la nivelul fiecarui stat.
Daca doresti sa iti exprimi parerea despre acest produs poti adauga un review.
Scrie un review
Produse similare
Tehnici promotionale. Abordari teoretice si practice - Camelia Pavel
Contabilitate - Doina Maria Tilea
Economie europeana. Editia a II-a, revizuita - Oana Maria Milea (Rezeanu)
Statistica. Aplicatii practice
Contabilitatea de gestiune. Instrument de evaluare a performantei
Contabilitatea de gestiune si evaluarea performantelor
Ghid de formule in statistica
Leadership si cultura organizationala - Vadim Dumitrascu
Etica si integritate academica. Provocari pentru organizatiile secolului XXI
Suport clienti Luni - Vineri intre 8.00 - 16.00
0745 200 718 0745 200 357 comenzi@editurauniversitara.ro