Применение алгоритмов машинного обучения в прикладных задачах (186,00 руб.)

Стр.3

Стр.4

Стр.5

Содержание УДК 004.056.5(075.8) ББК 32.97я73 Ц349 Печатается по решению кафедры информационно-аналитических систем безопасности Института компьютерных технологий и информационной безопасности Южного федерального университета (протокол № 9 от 28 мая 2025 г.) Рецензенты: доктор технических наук, профессор, ведущий научный сотрудник, профессор кафедры информатики Таганрогского института имени А. П. Чехова (филиал) ФГБОУ ВО РГЭУ (РИНХ) Я. Е. Ромм доктор технических наук, профессор, профессор кафедры информационно-аналитических систем безопасности имени профессора Л. С. Берштейна Института компьютерных технологий и информационной безопасности Южного федерального университета А. В. Боженюк Целых, А. Н. Ц349 Применение алгоритмов машинного обучения в прикладных задачах : учебное пособие / А. Н. Целых, Э. М. Котов ; Южный федеральный университет. − Ростов-на-Дону ; Таганрог : Издательство Южного федерального университета, 2025. − 124 с. ISBN 978-5-9275-5103-3 Пособие посвящено рассмотрению подходов по применению методов структурного анализа отчетности предприятия и оценки уровня финансовой безопасности предприятия. Описан процесс разработки информационно-аналитической системы обеспечения информационной безопасности предприятия на примере системы фильтрации. Продемонстрирован процесс построения сервиса для анализа инцидентов информационной безопасности в организации. Пособие предназначено для студентов высших учебных заведений, обучающихся по специальности 10.05.04 − Информационно-аналитические системы безопасности (специализация: «Безопасность систем искусственного интеллекта») по курсу «Методы интеллектуального анализа данных» и направлению 10.03.01 − Информационная безопасность (направленность: «Информационно-аналитические системы безопасности») по курсу «Модели и методы инженерии знаний». ISBN 978-5-9275-5103-3 УДК 004.056.5(075.8) ББК 32.97я73 © Южный федеральный университет, 2025 © Целых А. Н., Котов Э. М., 2025 © Оформление. Макет. Издательство Южного федерального университета, 2025 2

Стр.3

Введение СОДЕРЖАНИЕ ВВЕДЕНИЕ ......................................................................................................... 5 1. СОВРЕМЕННОЕ СОСТОЯНИЕ ИССЛЕДОВАНИЙ В ОБЛАСТИ ФИНАНСОВОГО МОНИТОРИНГА ............................................................... 7 1.1. Введение в финансовый мониторинг и его проблемы .......................... 7 1.1.1. Важность финансового мониторинга для предприятий и банков ............................................................................................................. 7 1.1.2. Современные вызовы .......................................................................... 8 1.2. Тенденции развития финансового мониторинга ................................... 9 1.2.1. Этапы эволюции финансового мониторинга .................................. 9 1.2.2. Роль цифровизации в управлении финансами ................................ 10 1.2.3. Машинное обучение как основа новых подходов к мониторингу 11 1.3. Влияние внедрения машинного обучения на бизнес-процессы ............................................................................................. 12 1.3.1. Как трансформируются соблюдение нормативных требований и управление рисками .................................................................................. 12 1.3.2. Автоматизация и ручное управление ............................................. 14 1.3.3. Преимущества, риски и этические аспекты ................................. 15 1.3.4. Реальные примеры использования ................................................... 17 2. ИССЛЕДОВАНИЕ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ..... 19 2.1. Основные понятия машинного обучения ............................................. 19 2.2. Логистическая регрессия ........................................................................ 20 2.3. Деревья решений ..................................................................................... 22 2.4. Алгоритм случайного леса ..................................................................... 24 2.5. Алгоритм Ada Boost ................................................................................ 26 2.6. Градиентный бустинг ............................................................................. 29 2.7. Стекинг ..................................................................................................... 31 2.8. Блендинг ................................................................................................... 32 2.9. Наивный Байес ........................................................................................ 33 2.10. Байесовские нейросети ......................................................................... 35 3

Стр.4

Содержание 2.11. Алгоритм k-ближайших соседей ......................................................... 38 2.12. Алгоритм K-средних ............................................................................. 40 2.13. Алгоритм пространственной кластеризации приложений с шумом на основе плотности ...................................................................... 41 2.14. Модели гауссовых смесей .................................................................... 43 2.15. Алгоритм Q-Learning ............................................................................ 46 2.16. Политико-градиентные алгоритмы ..................................................... 47 2.17. Алгоритм One-Class SVM .................................................................... 49 2.18. Скрытые марковские модели ............................................................... 51 2.19. Генеративно-состязательные сети....................................................... 53 2.20. Прямопропускающие нейронные сети ............................................... 56 2.21. Cверточные нейронные сети ................................................................ 58 2.22. Реккурентные нейронные сети ............................................................ 61 2.23. Графовые нейронные сети ................................................................... 63 2.24. Алгоритм TabNet ................................................................................... 65 2.25. Алгоритмы машинного обучения в финансовом мониторинге ...... 67 3. ЭФФЕКТИВНОСТЬ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ В ЗАДАЧАХ ФИНАНСОВОГО НАДЗОРА ............................................... 83 3.1. Анализ данных ........................................................................................ 83 3.2. Обработка данных ................................................................................... 84 3.3. Обучение моделей ................................................................................... 86 3.3.1. Автоэнкодер как инструмент выявления аномалий ..................... 87 3.3.2. Классические бустинг-модели: CatBoost, LightGBM и XGBoost..90 3.3.3. Модель IsolationForest для поиска аномалий.................................. 90 3.3.4. OPTICS – кластеризация как средство обнаружения выбросов ....................................................................................................... 93 3.4. Анализ результатов моделей: сравнение классификаторов и методов обнаружения аномалий .................................................................. 94 3.5. Анализ методов выявления аномалий в задаче выявления аномалий ....................................................................................................... 101 3.6. Генерация синтетических данных ....................................................... 106 ЗАКЛЮЧЕНИЕ ............................................................................................... 115 СПИСОК ЛИТЕРАТУРЫ ............................................................................. 117 4

Стр.5