Skip navigation
Please use this identifier to cite or link to this item: https://repository.esi-sba.dz/jspui/handle/123456789/565
Full metadata record
DC FieldValueLanguage
dc.contributor.authorCHERIF, AChouak-
dc.contributor.authorBERKANE, NAoul-
dc.date.accessioned2023-10-19T09:59:39Z-
dc.date.available2023-10-19T09:59:39Z-
dc.date.issued2023-
dc.identifier.urihttps://repository.esi-sba.dz/jspui/handle/123456789/565-
dc.descriptionEncadreur : M. KHALDI Milouden_US
dc.description.abstractAbstract : Incorrect decision-making in Ąnancial institutions can have severe consequences, leading to Ąnancial crises.In recent years, numerous studies have highlighted the potential of artiĄcial intelligence techniques as alternative methods for credit scoring. Some researches has shown that prediction models utilizing hybrid approaches outperform single approaches. Furthermore, incorporating feature selection techniques into prediction models can enhance their performance. The objective of this work is to explore the Ąeld of credit risk and compare a set of researches that propose approaches for loan default prediction. We then present a summary of the approaches and a comparative table of them, showing their results and the different techniques used.*** Résumé : Une prise de décision incorrecte dans les institutions Ąnancières peut avoir des conséquences graves, pouvant entraîner des crises Ąnancières. Ces dernières années, de nombreuses études ont mis en évidence le potentiel des techniques dŠintelligence artiĄcielle en tant que méthodes alternatives pour lŠévaluation du crédit. Certaines recherches ont montré que les modèles de prédiction utilisant des approches hybrides surpassent les approches individuelles. De plus, lŠincorporation de techniques de sélection des caractéristiques dans les modèles de prédiction peut améliorer leurs performances. LŠobjectif de ce travail est dŠexplorer le domaine du risque de crédit et de comparer un ensemble de recherches qui proposent des approches pour la prédiction des défauts de paiement des prêts. Nous présentons ensuite un résumé des approches et un tableau comparatif les illustrant, en exposant leurs résultats et les différentes techniques utilisées.en_US
dc.language.isoenen_US
dc.subjectDigital Lendingen_US
dc.subjectCredit Risken_US
dc.subjectCredit Scoringen_US
dc.subjectFinTechen_US
dc.subjectMachine Learningen_US
dc.subjectFeatures Selectionen_US
dc.titleLoan Approval Prediction Using Machine Learningen_US
dc.typeThesisen_US
Appears in Collections:Ingénieur

Files in This Item:
File Description SizeFormat 
PFE__Achouak_Raihana_-1-1.pdf103,86 kBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.