Diplomová práce je zaměřena na návrh pravděpodobnostních neuronových sítí pro modelování bankrotu podniků. Zabývá se tedy návrhem modelu pravděpodobnostní neuronové sítě. Pro proces učení této neuronové sítě jsou použita data jednotlivých amerických podniků z období 2001 - 2010. V úvodních kapitolách je věnována pozornost shrnutí současného stavu v oblasti modelování bankrotu podniků a navrhnutí vhodných parametrů pro modelování bankrotu podniku. Další část diplomové práce pojednává o neuronových sítích a následně o pravděpodobnostních neuronových sítích.
Anotace v angličtině
The thesis is focused on the design of probabilistic neural networks for for corporate bankruptcy modelling. It deals with the design of probabilistic neural networks. For the learning process of neural networks are based the data of U.S. companies from the period 2001 - 2010. In the introduction chapters is devoted focus to summary of the current status of corporate bankruptcy modelling and proposition appropriate parameters for modeling corporate bankruptcy. Another part of the thesis deals with the neural networks and then with probabilistic neural networks.
Diplomová práce je zaměřena na návrh pravděpodobnostních neuronových sítí pro modelování bankrotu podniků. Zabývá se tedy návrhem modelu pravděpodobnostní neuronové sítě. Pro proces učení této neuronové sítě jsou použita data jednotlivých amerických podniků z období 2001 - 2010. V úvodních kapitolách je věnována pozornost shrnutí současného stavu v oblasti modelování bankrotu podniků a navrhnutí vhodných parametrů pro modelování bankrotu podniku. Další část diplomové práce pojednává o neuronových sítích a následně o pravděpodobnostních neuronových sítích.
Anotace v angličtině
The thesis is focused on the design of probabilistic neural networks for for corporate bankruptcy modelling. It deals with the design of probabilistic neural networks. For the learning process of neural networks are based the data of U.S. companies from the period 2001 - 2010. In the introduction chapters is devoted focus to summary of the current status of corporate bankruptcy modelling and proposition appropriate parameters for modeling corporate bankruptcy. Another part of the thesis deals with the neural networks and then with probabilistic neural networks.
shrňte současný stav v oblasti modelování bankrotu podniků
charakterizujte pravděpodobnostní neuronové sítě
proveďte sběr a předzpracování dat
zhodnoťte výsledky a porovnejte je s výsledky dalších neuronových sítí
vypracujte uživatelskou příručku
Zásady pro vypracování
shrňte současný stav v oblasti modelování bankrotu podniků
charakterizujte pravděpodobnostní neuronové sítě
proveďte sběr a předzpracování dat
zhodnoťte výsledky a porovnejte je s výsledky dalších neuronových sítí
vypracujte uživatelskou příručku
Seznam doporučené literatury
HAYKIN, S.S.: Neural Network: A Comprehensive Foundation. Upper Saddle River : Prentice-Hall, 1999.
KVASNIČKA, V. a kol.: Úvod do teórie neurónových sietí. Bratislava : IRIS, 1997. 285 s.
SPECHT, D.F.: Probabilistic Neural Networks. Neural Networks, 1990, vol. 3, pp. 109-118.
ALTMAN, E.: Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 1968, vol. 9, pp. 589-609.
KUN, C.L., INGOO, H.: Hybrid Neural Network Models for Bankruptcy Predictions. Decision Support Systems, 1996, vol. 18, pp. 63-72.
Seznam doporučené literatury
HAYKIN, S.S.: Neural Network: A Comprehensive Foundation. Upper Saddle River : Prentice-Hall, 1999.
KVASNIČKA, V. a kol.: Úvod do teórie neurónových sietí. Bratislava : IRIS, 1997. 285 s.
SPECHT, D.F.: Probabilistic Neural Networks. Neural Networks, 1990, vol. 3, pp. 109-118.
ALTMAN, E.: Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 1968, vol. 9, pp. 589-609.
KUN, C.L., INGOO, H.: Hybrid Neural Network Models for Bankruptcy Predictions. Decision Support Systems, 1996, vol. 18, pp. 63-72.
Přílohy volně vložené
-
Přílohy vázané v práci
-
Převzato z knihovny
Ne
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Práce se zabývala predikcí bankrotu podniků pomocí pravděpodobnostní neuronové sítě. Na začátku bylo zapotřebí předpřipravit data pomocí normalizace a standardizace. Dále byl testován model a byla zjišťována jeho citlivost, především pak u reciproční a gausovské jádrové funkce. V neposlední řadě student provedl porovnání dalších metod např. dopřednou neuronovou sítí nebo Support Vector Machine. Otázky se týkaly především použitých dat, jejich popisu, testovací a trénovací množiny dat, dále seznamu použité literatury.