A comparative study of corporate credit ratings prediction with machine learning

Doğan, Seyyide; Büyükkör, Yasin; Atan, Murat

doi:10.37190/ord220102

Cited by 3 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Bu ilişki, öğrencilerin daha iyi öğretmen öğrenci ilişki durumunda sahip olanların stres seviyelerini azaltmaya katkı da bulunabileceğini ima etmektedir. Veri seti üzerinde, veri önişleme işlemleri tamamlandıktan sonra veri setinin kullanılacak makine öğrenmesi algoritmaları ile uyumu da göz önüne alınarak, Karar Ağaçları, Rassal Orman, K-En yakın komşu ve Gaussian Naive Bayes öğrenme algoritmaları tercih edilmiştir [42][43][44][45][46]. [48][49][50][51].…”

Section: öğRenci Stres Düzeyi Karmaşıklık Matrisi (Student Stress Lev...unclassified

Yapay Zeka Algoritmaları Kullanılarak Öğrencilerin Akademik Başarısı ile Stres İlişkisinin Keşifsel Bir Analizi

YÜKSEL

2023

Journal of Information Systems and Management Research

View full text Add to dashboard Cite

Günümüzde stres insanların birçoğunun yaşamını önemli ölçüde etkileyen ve onların yaşam kalitelerini etkileyen bir unsur olarak karşımıza çıkmaktadır. Öğrenciler ise günlük yaşam koşullarının yanı sıra akademik başarı olarak da stres düzeylerini dengelemek durumundadır. Bu noktada literatür incelendiğinde akademik çalışmalarda stres öğrenciler için psikolojik, fizyolojik, çevresel, akademik ve sosyal faktörler kapsamında değerlendirilmektedir. Bu faktörlerin alt düzey durumları da bulunmaktadır. Öğrencilerin stres düzeylerinin bulunduğu veri setinde bu faktörlere ait 20 alt başlık bulunmaktadır. Öğrenci stres veri seti üzerinde keşifsel bir veri analizi gerçekleştirilmiştir. Keşifsel veri analizi (EDA- Exploratory Data Analysis), verilerde gizlenmiş olan bilgilere ulaşmak için verileri keşfetme işlemidir. Bu çalışmada öğrenci stres seviyelerinin, akademik başarı ile olan ilişkisi keşifsel bir veri analizi ile gerçekleştirilmiştir. Elde edilen değerler görsel grafiklerle desteklenmiştir. Ayrıca veri seti üzerinde makine öğrenme algoritmalarından; Karar Ağaçları, Rassal Orman, K-En yakın komşu ve Gaussian Naive Bayes algoritmalarının karşılaştırmalı analizi yapılmıştır. En iyi öğrenim gösteren algoritma ise Gaussian Naive Bayes algoritması olmuştur.

show abstract

Section: öğRenci Stres Düzeyi Karmaşıklık Matrisi (Student Stress Lev...unclassified

Yapay Zeka Algoritmaları Kullanılarak Öğrencilerin Akademik Başarısı ile Stres İlişkisinin Keşifsel Bir Analizi

YÜKSEL

2023

Journal of Information Systems and Management Research

View full text Add to dashboard Cite

show abstract

“…Karar ağaçları yapısında aşırı öğrenme sorununu ortadan kaldırmak için budama yöntemleri kullanılmaktadır. Budama işleminden sonra ağacın boyutu küçültülür ve karmaşıklık ortadan kaldırılarak kolay anlaşılır bir ağaç yapısı elde edilir [27]. (Random Forest Regression) Rassal orman regresyonu, farklı bağımsız tahmin edicilerin farklı alanlarda yanlış tahminde bulunduğu varsayımına dayanmaktadır bu nedenle genel tahmin doğruluğu, bağımsız tahmin edicilerin tahmin sonuçları birleştirilerek geliştirilmektedir.…”

Section: Karar Ağaçları Regresyonuunclassified

Yapay Zeka Teknikleri Kullanılarak Proje Üretim Sistemlerinin Tasarımı ve Geliştirilmesi

ÖZGÜR

Tarhan

Komesli

et al. 2023

Journal of Information Systems and Management Research

View full text Add to dashboard Cite

Belirlenen hedefler doğrultusunda süreç, yöntem, bilgi, beceri ile deneyimlerin uygulanması süreçlerini kapsayan proje yönetimi sürecinde başarıya ulaşmak için şüphesiz gelişen teknolojinin birlikte getirdiği yöntem ve tekniklerin uygulanması gerekmektedir. Proje yönetim sürecinde tanımlanan görevlere atanan personelin, süreç içerisinde veya sonunda görevi yerine getirmede göstermiş olduğu performansın değerlendirilmesi özellikle kurum ve kuruluşlara daha sonra hayata geçirecekleri projelerde yol gösterici olacaktır. Çalışma kapsamında oluşturulan sistem modeli ile proje yönetim sürecinde, farklı tür ve büyüklükteki kurum ve kuruluşların, sahip oldukları personelin yeterlilikleri doğrultusunda proje tanımlanmasının gerçekleştirilmesine, değerlendirilmesine ve geçmiş deneyimler sonucu elde edilen proje verisi doğrultusunda makine öğrenmesi süreçleri işletilerek proje başarısının öngörümlenmesine olanak sağlanacaktır. Geliştirilen sistem modeli bünyesinde proje tanımlamasının gerçekleştirilebileceği PHP betik dili tabanlı web uygulaması, proje yönetim sürecinde ihtiyaç duyulan verinin tutulduğu ilişkisel MySQL veri tabanı ve makine öğrenmesi sürecinin işletilebilmesi için gerekli olan kütüphanelerin bulunduğu Python kod dosyaları bulunmaktadır. Çalışma kapsamında gerçekleştirilen uygulama Türkiye’de bulunan bir üniversitede yürütülen bilimsel araştırma projesinin değerlendirme verisi kapsamında oluşturulmuştur. Makine öğrenmesi süreçlerine dahil edilen veri setinde Karar Ağaçları Regresyon modelinin, sahip olduğu 1.01 MSE ve 0.96 R-Kare değeri ile en yüksek doğruluğu elde ettiği gözlemlenmiştir. Çalışma kapsamında oluşturulan yazılım proje yürütücülerine, gelecekte yapılacak benzer projelerin başarısını öngörümleyerek, iş zekası ve verilecek kararlara destek sunma noktalarında fayda sağlamaktadır.

show abstract

Mapping the Landscape: A Bibliometric Analysis of Rating Agencies in the Era of Artificial Intelligence and Machine Learning

Davidescu,

Agafiței,

Strat

et al. 2024

Proceedings of the International Conference on Business Excellence

View full text Add to dashboard Cite

In the ever-evolving financial landscape, the integration of artificial intelligence (AI) and machine learning (ML) is revolutionising creditworthiness assessment. The vast body of literature on credit rating indicates a growing prevalence of these techniques in the rating processes. Although these methods boast high predictive accuracy, concerns about their robustness, equity, and explainability affect the confidence of various parties in rating agencies. This comprehensive study explores the dynamic intersection of these cutting-edge technologies with rating agencies, presenting an in-depth literature review employing a bibliometric analysis that uses the Bibliometrix and Biblioshiny packages from R. The paper makes a significant contribution by analysing the literature across three prominent databases: Web of Science, Scopus, and arXiv. The empirical findings indicate that despite a recent growing interest, the relatively limited number of documents implies that, while there is a wide literature about credit rating in general, when it comes to rating agencies, the literature is much more limited. This limitation may stem from a certain lack of transparency in the methods and processes used by rating agencies and the complex nature of these entities. The literature witnessed growth after the 2008 global financial crisis, where rating agencies faced significant criticism, and post-pandemic, indicating a need for more adaptable and precise ratings. The examination of the topic reveals a recent shift in focus within AI-driven rating agencies towards accountable governance. While traditional attention persists on artificial intelligence techniques and finance, the emerging emphasis on ethical considerations, societal impacts, and performance evaluation underscores a changing landscape. This transition underscores the growing importance of integrating ethical considerations and societal impacts into the operational frameworks of AI-powered rating agencies, emphasising the necessity for responsible and transparent decision-making practices.

show abstract

A comparative study of corporate credit ratings prediction with machine learning

Cited by 3 publications

References 0 publications

Yapay Zeka Algoritmaları Kullanılarak Öğrencilerin Akademik Başarısı ile Stres İlişkisinin Keşifsel Bir Analizi

Yapay Zeka Algoritmaları Kullanılarak Öğrencilerin Akademik Başarısı ile Stres İlişkisinin Keşifsel Bir Analizi

Yapay Zeka Teknikleri Kullanılarak Proje Üretim Sistemlerinin Tasarımı ve Geliştirilmesi

Mapping the Landscape: A Bibliometric Analysis of Rating Agencies in the Era of Artificial Intelligence and Machine Learning

Contact Info

Product

Resources

About