Tomada de decisões em sistemas financeiros utilizando algoritmos de aprendizado de máquina supervisionado

Abstract

Este trabalho é dedicado minha esposa Maíra e meus filhos Lorena e Rodrigo meus pais e cunhados que sempre me apoiaram e acreditaram em meus objetivos e sonhos. Em especial, ao meu avô Paulo Botelho que me fez conhecer um computador quando criança. AGRADECIMENTOSOs agradecimentos principais são direcionados a André Ponce de Leon Carvalho e Rodrigo Mello que me auxiliaram a conclusão deste trabalho e ao coordenador Antônio Castelo que idealizou o curso MECAI. RESUMOOTTE JUNIOR, L. C. Tomada de decisões em sistemas financeiros utilizando algoritmos de aprendizado de máquina supervisionado. 2018. 75 p. Dissertação (Mestrado -Mestrado Embora existam soluções para sistemas de cobrança e telecomunicações que apresentem relatórios para auxílio à cobrança de clientes, ambas carecem de informações que apoiem a tomada de decisões, nas análises estratégicas e na propensão de pagamento. Desse modo, o objetivo deste projeto é implementar ferramentas e soluções inteligentes a fim de reduzir o desperdício de tempo e aumentar a produtividade do gestor, decorrentes da necessidade da análise e cruzamento de todos os dados para tomar qualquer ação durante os processos de cobrança e gestão de custos.Palavras-chave: cobrança, aprendizado máquina, redes neurais, árvores de decisão, mineração de dados. ABSTRACTOTTE JUNIOR, L. C. Decision making in financial systems using supervised machine learning algorithms. 2018. 75 p. Dissertação (Mestrado -Although there are solutions for billing and telecommunications systems to present reports to support debt collection, both lack information to support decision making in strategic analysis and propensity to pay. Thus, the goal of this project is to implement intelligent tools and solutions taht are able to increase their productivity and reduce waste of managers time, due to the need of analyzing and crossing all the data to take action during the collection processes and cost management.

Text Representation through Multimodal Variational Autoencoder for One-Class Learning

“…The studies have some limitations, such as the lack of k-fold cross-validation, the use of only one dataset, and the lack of statistical tests. In addition, other studies after the pioneers used the BoW with different term weights to improve the representation [Junior andRossi 2017, Gôlo et al 2019] without the limitations presented above. Fi-nally, the BoW has limitations, such as high dimensionality and sparsity and inefficiency in the presence of synonyms and ambiguity.…”

“…The learning process is more challenging for the OCL due to the lack of counterexamples, requiring more robust representations for text. Generally, studies use the traditional Bag-of-Words (BoW) technique Yousef 2007, Junior andRossi 2017]. Other studies explore dimensionality reduction techniques Ravi 2017b, Gôlo et al 2019].…”