Assessing the Investment Risk of Virtual IT Company Based on Machine Learning

Lipyanina, Hrystyna; Maksymovych, Valeriya; Sachenko, Anatoliy; Lendyuk, Taras; Fomenko, Andrii; Kit, Ivan

doi:10.1007/978-3-030-61656-4_11

Cited by 6 publications

(3 citation statements)

References 39 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Обговорення результатів дослідження. Серед проаналізованих робіт [3,7,6,9,10] не описано виявлення фіктивних підприємств за допомогою інформаційних технологій. Відповідно, метою цієї роботи є розроблення методу виявлення фіктивного підприємства на підставі машинного навчання, а саме класифікатора Гаусового наївного класифікатора Байєса, який дасть змогу надалі розробити програмне середовище для працівників державного сектору, щоб запобігти економічним злочинам та відстежити фіктивні підприємства.…”

Section: рис 6 отримані результати / Obtained Resultsunclassified

“…Аналіз останніх досліджень та публікацій. Машинне навчання використовують у багатьох сферах людської діяльності, проте сьогодні воно є надзвичайно актуальним саме у сфері економіки [7]. Роботи [1,2,6] спрямовані на огляд сучасних наукових досліджень з питань машинного навчання для виявлення підозрілих операцій з відмивання грошей.…”

Section: вступ/ Introductionunclassified

See 1 more Smart Citation

Метод Виявлення Фіктивних Підприємств На Підставі Гаусового Наївного Класифікатора Байєса

Lipyanina-Goncharenko¹,

Komar²,

Sachenko³

et al. 2022

Scientific Bulletin of UNFU

Self Cite

View full text Add to dashboard Cite

Розроблено метод виявлення фіктивних підприємств на підставі машинного навчання за допомогою Гаусового наївного класифікатора Байєса, що є корисним для працівників державного сектору із запобігання економічним злочинам. Встановлено, що фіктивне підприємництво, як самостійний злочин, одночасно є своєрідним засобом вчинення цілої низки інших кримінальних правопорушень у сфері економіки. Це можуть бути суб'єкти господарювання, які мають ознаки фіктивності, а саме використання неправдивої інформації щодо засновників, адміністрації, місцезнаходження. Тому виявлення таких підприємств є актуальним питанням для будь-якої держави. Розслідування економічного злочину потребує багато часу для працівників правоохоронних органів і додаткових коштів. З огляду на це, розроблення інструменту розпізнавання фіктивного підприємства на підставі класичного методу машинного навчання є одним із перспективних напрямів зі швидкого виявлення економічних злочинів. Під час дослідження робіт у сфері діяльності фіктивних підприємств виявлено, що вони не описують саме виявлення фіктивних підприємств за допомогою інформаційних технологій. Тому потрібно розробити метод виявлення фіктивного підприємства на підставі машинного навчання за допомогою Гаусового наївного класифікатора Байєса, що надалі дасть змогу розробити програмне середовище для працівників державного сектору із запобігання економічних злочинів. У роботі визначено основні типи фіктивних підприємств, зокрема за призначенням та способом створення. На підставі цього запропоновано алгоритм виявлення фіктивного підприємства на підставі класичного методу машинного навчання, такого як Гаусовий наївний класифікатор Байєса, що уможливлює відстежування фіктивного підприємства. Для побудови методу використано дані 1100 компаній, що здійснювали економічну діяльність в Україні. Виконано розподіл ймовірності, за допомогою оцінки щільності ядра KDE (англ. Kernel Density Estimation). Побудовано діаграму кореляційної матриці, встановлено дуже малі коефіцієнти кореляції між більшістю ознак. Виведено гістограми відмінностей середніх значень і дисперсії вибірки для двох класів. Для машинного навчання моделі поєднано квантильний перетворювач і Гаусовий наївний класифікатор Байєса.

show abstract

Section: рис 6 отримані результати / Obtained Resultsunclassified

Section: вступ/ Introductionunclassified

Метод Виявлення Фіктивних Підприємств На Підставі Гаусового Наївного Класифікатора Байєса

Lipyanina-Goncharenko¹,

Komar²,

Sachenko³

et al. 2022

Scientific Bulletin of UNFU

Self Cite

View full text Add to dashboard Cite

show abstract

“…Step 1. Classification of waste [16,29,30] (Figure 1, Block 1): Using data [31] on the composition and quantity of waste, it is classified by type. Various parameters can be used to classify waste, such as composition, quantity, size, shape, etc.…”

Section: Proposed Methodsmentioning

confidence: 99%

Intelligent Waste-Volume Management Method in the Smart City Concept

Lipianina-Honcharenko,

Komar,

Osolinskyi

et al. 2023

Smart Cities

View full text Add to dashboard Cite

This research paper proposes an innovative approach to urban waste management using intelligent methods of classification, clustering, and forecasting. The application of this approach allows for more efficient waste management and contributes to the sustainable development of the urban environment. The aim of this research is to develop an intelligent method for urban waste management, which includes clustering of waste sources, accurate forecasting of waste volumes, and evaluation of forecast results. To achieve this goal, a real dataset with city characteristics and waste data was used. On account of the war in Ukraine, the authors faced the problem of obtaining open data on waste in Ukraine, so it was decided to use data from another city (Singapore). The results show the high efficiency of the developed method. Comparison of the obtained results with the results of the nearest similar works shows that the main feature of this study is the high accuracy of waste-volume forecasting using the XGBoost model, which reached a level of up to 98%.

show abstract