Advanced credit risk analytics : Fairness, interpretability, homogeneity
Cette thèse propose des solutions innovantes pour répondre aux défis posés par l utilisation de l intelligence artificielle (IA) et du machine learning (ML) dans le domaine du scoring de crédit. L IA révolutionne le monde à un rythme sans précédent, redéfinissant des industries entières et exerçant...
Tallennettuna:
| Päätekijä: | |
|---|---|
| Muut tekijät: | , , , , , , |
| Aineistotyyppi: | Thèse numérique |
| Kieli: | Anglais |
| Julkaistu: |
2024.
|
| Aiheet: | |
| Linkit: | Accès au texte intégral https://theses.univ-orleans.fr/public/2024ORLE1092_va.pdf http://www.theses.fr/2024ORLE1092/abes https://theses.hal.science/tel-05057428 |
| Huomautus: |
Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Sciences de la Société : Territoires, Économie et Droit (Centre-Val de Loire ; 2018-....) Partenaire(s) de recherche : Laboratoire d'Economie d'Orléans (Orléans ; 2018-....) (Laboratoire) Autre(s) contribution(s) : Emmanuel Flachaire (Président du jury) ; Thierry Foucault, Raffaella Calabrese (Membre(s) du jury) ; Bart Baesens, Olivier Scaillet (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Analyse avancée du risque de crédit :, Equité, interprétabilité, homogénéité |