МАШИННОЕ ОБУЧЕНИЕ КАК ИНСТРУМЕНТ КОРПОРАЦИИ ДЛЯ ВЫБОРА ПОСТАВЩИКОВ
https://doi.org/10.26425/1816-4277-2019-9-48-53
Аннотация
В области экономики и финансов, методы машинного обучения получили распространение при решении проблем исследования поведения потребителей и в торговле валютой и ценными бумагами. Тем не менее, они слабо развиты в решении вопросов, связанных со взаимодействием между предприятиями. В статье представлены результаты составления и тестирования моделей машинного обучения, созданных в целях оценки благонадежности предприятий как поставщиков. Исходя из проведенного анализа, методы машинного обучения применимы при проведении оценки поставщиков. Эта статья написана на тему расширения области применения машинного обучения в сфере анализа поведения коммерческих предприятий.
Об авторах
В. В. БаклушинскийРоссия
Баклушинский Вадим Валентинович – соискатель
Ульяновск
Е. В. Пустынникова
Россия
Пустынникова Екатерина Васильевна – доктор экономических наук
Ульяновск
Список литературы
1. Алексеева, В. А. Использование методов машинного обучения в задачах бинарной классификации//Автоматизация процессов управления. – 2015. – № 3 (41). – С. 58-63.
2. Картиев, С. Б. Алгоритм классификации, основанный на принципах случайного леса, для решения задачи прогнозирования / С. Б. Картиев, В. М. Курейчик//Программные продукты и системы. – 2016. – № 2. – С. 11-15.
3. Коротеев, М. В. Обзор некоторых современных тенденций в технологии машинного обучения//E-Management. – 2018. – № 1. – С. 26-35.
4. Краснянский, М. Н. и др. Сравнительный анализ методов машинного обучения для решения задачи классификации документов научно-образовательного учреждения / М. Н. Краснянский, А. Д. Обухов, Е. М. Соломатина, А. А. Воякина// Вестник Воронежского государственного университета. – 2018. – № 3. – С. 173-182.
5. Информационные системы//Федеральная антимонопольная служба [Электронный ресурс]. – Режим доступа: https://fas.gov.ru/pages/about/about/gositsystem.html (дата обращения: 27.06.2019).
6. Открытые данные//Федеральная антимонопольная служба [Электронный ресурс]. – Режим доступа: https://www.nalog.ru/rn77/opendata/ (дата обращения: 27.06.2019).
7. Bohanec, M. [et al.]. Organizational Learning Supported by Machine Learning Models Coupled with General Explanation Methods: A Case of B2B Sales Forecasting / M. Bohanec, M. Robnik-Sikonja, M. Kljajic Borstnar//Organizatsiya. – 2017. – № 50 (3). – Pp. 217-233.
8. Breheny, P. [et al.] p-Value Histograms: Inference and Diagnostics / P. Breheny, A. Stromberg, J. Lambert//High-Throughput. – 2018. – Vol. 7. – № 3 [Электронный ресурс]. – Режим доступа: https://www.researchgate.net/publication/327356617_pValue_Histograms_Inference_and_Diagnostics (дата обращения: 27.06.2019).
9. Farrelly, C. M. Topology and Geometry in Machine Learning for Logistic Regression//PsyArXiv. – Oct. 17, 2017 [Электронный ресурс]. – Режим доступа: https://psyarxiv.com/v8jgk (дата обращения: 27.06.2019).
10. Karlinsky Shichor, Y. Automation, Decision Making and Business to Business Pricing//Columbia University. – July 1, 2018 [Электронный ресурс]. – Режим доступа: https://academiccommons.columbia.edu/doi/10.7916/D83X9Q5M (дата обращения: 27.06.2019).
11. Stormi, K. [et al.]. Feasibility of b2c customer relationship analytics in the b2b industrial context / K. Stormi, T. Laine, T. Elomaa// Research papers. – 2018. – № 61. – Pp. 1-8.
12. Zieba, M. [et al.]. Ensemble boosted trees with synthetic features generation in application to bankruptcy prediction / M. Zieba, S. K. Tomczak, J. M. Tomczak//Expert Systems with Applications. – 2016. – Vol. 58. – Pp. 93-101.
Рецензия
Для цитирования:
Баклушинский В.В., Пустынникова Е.В. МАШИННОЕ ОБУЧЕНИЕ КАК ИНСТРУМЕНТ КОРПОРАЦИИ ДЛЯ ВЫБОРА ПОСТАВЩИКОВ. Вестник университета. 2019;(9):48-53. https://doi.org/10.26425/1816-4277-2019-9-48-53
For citation:
Baklushinskii V.V., Pustynnikova E.V. MACHINE LEARNING AS A CORPORATION'S TOOL FOR SELECTION OF SUPPLIERS. Vestnik Universiteta. 2019;(9):48-53. (In Russ.) https://doi.org/10.26425/1816-4277-2019-9-48-53