ProfileSEEKER system informatyczny wczesnego ostrzegania małych i średnich przedsiębiorstw przed bankructwem
|
|
- Anatol Janiszewski
- 9 lat temu
- Przeglądów:
Transkrypt
1 Barometr Regionalny Nr 3(29) 2012 ProfileSEEKER system informatyczny wczesnego ostrzegania małych i średnich przedsiębiorstw przed bankructwem Andrzej Burda Wyższa Szkoła Zarządzania i Administracji w Zamościu Paweł Cudek, Zdzisław S. Hippe Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie Streszczenie W artykule przedstawiono budowę systemu informatycznego ProfileSEEKER do wczesnego ostrzegania małych i średnich przedsiębiorstw przed bankructwem. Opracowany system stanowi zespół pięciu klasyfikatorów, wykorzystujących różnorodne topologie sztucznych sieci neuronowych oraz sieć przekonań Bayesa, wspomagany metodami nadzorowanego uczenia maszynowego. Sprawność systemu oceniono stosując nową metodę walidacji, nazwaną metodą walidacji kolejkowej. Wstęp Rozwój bądź upadek firmy uzależniony jest od wielu czynników, zarówno wew nętrznych, jak i pochodzących z jej otoczenia (dostawcy, klienci, usługobiorcy, i inni). Niezależnie od wielkości (mikro, małe, średnie, czy duże) oraz typu przedsiębiorstwa (państwowe, prywatne, spółdzielcze, kooperujące, podwykonawcze, itp.), jego zarząd powinien być zainteresowany metodyką, umożliwiającą szybką oraz wiarygodną ocenę zarówno aktualnego stanu firmy, jak i uzyskanie prognozy jego działania na okres co najmniej najbliższego roku. W przypadku dużych przedsiębiorstw, dysponujących zintegrowanymi systemami informatycznymi zarządzania klasy ERP II (Lech 2003), wspomaganymi modułami typu Business Intelligence (Ranjan 2009), warunek ten jest na ogół spełniony. Natomiast w sektorze małych i średnich przedsiębiorstw (zwanych dalej MSP), szczególnie gdy mają charakter biznesu rodzinnego, narzędzia tego typu wy korzystywane są jak dotąd zupełnie sporadycznie. Przyczyn takiego stanu rzeczy należy upatrywać w dużych kosztach stosowania istniejących na rynku rozwiązań informatycznych oraz ograniczonej możliwości ich wykorzystania, z uwagi na stosunkowo kosztowny proces przygotowania koniecznych danych źródłowych i raportów. Dodatkowo należy wskazać małą skuteczność wspomnianych narzędzi informatycznych w odniesieniu do MSP, ponieważ systemy te budowane są najczęściej z przystosowaniem do baz informacyjnych, dotyczących dużych przedsiębiorstw. Nie bez znaczenia jest też fakt, że właściciele małych i mikro firm nie dysponując odpowiednią wiedzą w obszarze zarządzania, ekonometrii i informatyki (Waniak-Michalak 2007) potrzebują prostszych, bardziej przyjaznych narzędzi. Taka sytuacja wzbudza niepokój, jeśli krytycznie spojrzymy na realia współczesnej gospodarki. MSP stanowią 99,8% firm działających na obszarze UE i są miejscem pracy dla ponad 67% z wszystkich osób zatrudnionych w sektorze prywatnym (Schmiemann 2008). Również w Polsce, udział sektora MSP jest dominujący i do roku 2008 stale się zwiększał (Żołnierski 2009). Niewielki spadek liczby omawianych przedsiębiorstw za notowano w 2009 roku, po czym w kolejnych latach
2 100 Andrzej Burda, Paweł Cudek, Zdzisław S. Hippe odnotowano trend wzrostowy (Łapiński 2011). Jednocześnie badania prowadzone przez European Network for SME Research (Iwanienko 2009) wykazały, że na 7662 małych i średnich przedsiębiorstwach UE ok. 30% MSP upada w ciągu pierwszych 3 lat, a 50% w ciągu pierwszych 5 lat swojego istnienia. Jeśli do tego dodać, że polscy pracodawcy szacują, że ok. 21,5% czasu poświęcają na prace, które leżą w kompetencji pracowników niższego szczebla, a wśród ośmiu naj ważniejszych zadań analiza sytuacji ekonomiczno-finansowej i planowanie rozwoju firmy nie są nawet wymieniane (Starczewska-Krzysztoszek 2008), to nasuwa się przypuszczenie, że istotną barierą rozwoju MSP w Polsce są określone braki w dziedzinie informatyzacji. Polegają one najczęściej na dość rozpowszechnionej rezygnacji z korzystania z prostych, a jednocześnie skutecznych narzędzi informatycznych do rutynowej oceny stanu rozważanych przedsiębiorstw, z możliwością wiarygodnego prognozowania ich stanu w niezbyt odległej pespektywie czasowej. Te spostrzeżenia zainspirowały autorów niniejszej publikacji do podjęcia badań nad opracowaniem, implementacją oraz upowszechnieniem skutecznego narzędzia informatycznego, którego zastosowanie mogłoby wypełnić zarysowaną na wstępie lukę. 1. Systemy wczesnego ostrzegania małych i średnich przedsiębiorstw o zagrożeniu bankructwem Zjawisko upadłości przedsiębiorstw, w teorii ekonomii, jest zjawiskiem naturalnym, a nawet pożądanym. Jest jednym z regulatorów systemu ekonomicznego. Podmioty mniej użyteczne, ze społecznego punktu widzenia, a z ekonomicznego mało efektywne, zastępowane są przez inne, dla których pojawiają się nowe perspektywy zbytu towarów bądź usług. Jednakże każdy taki upadek w skali mikro, to niejednokrotnie nie tylko utrata źródła utrzymania dla pracodawcy i pracowników, ale również spore problemy dla otoczenia społeczno-ekonomicznego, m.in. wierzycieli, kooperantów, czy samorządów lokalnych (Korol i Prusak 2005). Dlatego wczesne ostrzeganie przed bankructwem, szczególnie w dobie coraz silniejszych powiązań organizacji z jej otoczeniem, staje się dla wszystkich uczestników rynku niezwykle istotne. Najstarsze modele wczesnego ostrzegania przed bankructwem opierały się na poszukiwaniu zależności tej oceny od jednego deskryptora (Beaver 1966). Ze względu na to, że analiza wpływu różnych deskryptorów na ocenę tego samego przedsiębiorstwa może prowadzić do zróżnicowanych, często sprzecznych wyników, rozpowszechniły się próby wykorzystania metod wielowymiarowych. Pierwszym opisanym w literaturze modelem tego typu był model Z-score Altmana (1968) zbudowany metodą wielowymiarowej analizy dyskryminacyjnej (MDA Multiple Discriminant Analysis). W kolejnych latach model ten rozwijany był przez samego Altmana (Altman 2001; Altman i inni 1994) oraz innych badaczy (Fulmer i inni 1984). Najbardziej znane polskie modele tego typu opisano w (Antonowicz 2007; Gajdka i Stos 1996; Hadasik 1998; Hamrol i Chodakowski 2008). Badania podjęte w latach 80-tych ubiegłego wieku, z wykorzystaniem innych sposobów klasyfikacji opartych na metodach statystycznych, doprowadziły do opracowania wielu alternatywnych modeli. Wśród nich na szczególną uwagę zasługują modele logitowe (LR Logistic Regression) (Ohlson 1980), dyskryminacji metodą k-tego najbliższego sąsiada (knn, kth-nearest Neighbor) (Tam i Kiang 1990), klasyfikacji przy pomocy drzew decyzji (DT- Decision Tree) (Frydman i inni 1985), sieci przekonań Bayes a (BBN- Bayesian Belief Network) (Sarkar i Sriram 2001), wektorów nośnych (SVM) (Chaudhuri i De 2011), wnioskowania przez przypadki (CBR) (Jo i inni 1997), algorytmów genetycznych (Varetto 1998), zbiorów przybliżonych (Greco i inni 1998), czy sztucznych sieci neuronowych o architekturze MLP (Atiya 2001; Odom i Sharda 1990; Piramuthu i inni 1998), SOM (Kaski i inni 2001; SerranoCinca 1996) oraz sieci autoasocjacyjnych (Baek i Cho 2003). Porównania jakości modeli (Altman i inni 1994; Coats i Fant 1993; McKee i Greenstein 2000; Salchenberger i inni 1992; Tam 1991; Tseng i Hu 2010; Wu i inni 2010) w zależności od horyzontu czasowego prognozy, branży bądź rodzaju firm czy rejonu ich funkcjonowania wypadają różnie. Generalnie można jednak stwierdzić, że wiele wskazuje na to, że nie da się z góry przewidzieć, która z nich w konkretnych okolicznościach (dla określonego zbioru badawczego) będzie najlepsza.
3 ProfileSEEKER system informatyczny wczesnego ostrzegania 101 Przy ich wyborze należy kierować się tym, czy potrafią one poprawnie odpowiedzieć na wszystkie postawione problemy badawcze. Zdecydowana większość realizowanych na ten temat badań, prowadzona jest na przykładach firm dużych, których akcje są na ogół notowane na giełdach papierów wartościowych. Uwarunkowania prawne dotyczące tej grupy podmiotów gospodarczych, ułatwiają dostęp do wszelkich danych na temat ich działalności, co niezwykle ułatwia nie tylko proces budowy modelu, ale przede wszystkim jego walidację. Nietypowe przypadki, czy dane zawierające intencjonalne lub losowe błędy, można wtedy dodatkowo weryfikować potwierdzić, poprawić, bądź uzupełnić. Można też, w przypadku błędnych klasyfikacji poznać bliżej przyczynę tego zjawiska, stosując inne dane lub modele. W odniesieniu do MSP jest to niezwykle utrudnione; ze względu na brak jawności danych, pogłębiona analiza tych błędów wymaga użycia specjalnych metod badawczych, a często nawet w ogóle nie jest możliwa. Dodatkowym utrudnieniem analizy danych gospodarczych MSP jest fakt, że ok. 78% tych przedsiębiorstw w Polsce, to przedsiębiorstwa rodzinne, którymi kierują dwie skrajnie różne logiki postępowania: racjonalna (ekonomiczna) i emocjonalna (rodzinna). Może to być równie często źródłem jej trwania nawet wbrew logice biznesowej, jak również, szczególnie w przypadku zaistnienia problemów rodzinnych, źródłem jej nieoczekiwanego upadku (Marjański 2011). Przypuszczalnie z powyższych powodów oraz podejrzenia, że znaczna liczba wyników finansowych firm może zawierać przypadkowe oraz intencjonalne zniekształcania, dokładność klasyfikacji modeli dla tej grupy firm jest istotnie mniejsza niż dla dużych firm i kształtuje się w granicach od 61 do 87%, jak wynika z najnowszych doniesień naukowych (Derelioglu i Gurgen 2011; Kim i Sohn 2010; Ribeiro i inni 2012). Wydaje się jednak, że analiza nawet takich, niezwykle trudnych danych wybranymi metodami uczenia maszynowego, przypuszczalnie może doprowadzić do uzyskania wiarygodnych prognoz typu przetrwanie/bankructwo. 2. Istota opracowanej metodyki prognozowania stanu małych i średnich przed siębiorstw W przypadku zjawisk społeczno-gospodarczych, a do takich zaliczyć należy pojęcie stanu przedsiębiorstwa, ze względu na dużą złożoność zjawiska, i brak dostatecznie sformalizowanych teorii, parametryzacja modeli odbywa się najczęściej z wykorzystaniem danych historycznych. Schemat takiego empirycznego podejścia, pokazany jest na rysunku 1. Jeżeli modelowane zjawisko opisane jest atrybutami objaśniającymi (p i ) oraz jedno lub wielowymiarową zmienną zależną (y i ), to część dostępnych danych wykorzystywanych jest w procesie parametryzacji modelu, pozostałe do jego walidacji. W szczególnym przypadku, przeważnie wtedy, gdy dysponujemy ograniczoną liczbą przypadków, proces walidacji modelu może być realizowany na tym samym zbiorze danych, co proces jego parametryzacji. Ta szcze gólna technika sprawdzania poprawności modelu znana jest pod nazwą resubstytucji (Reich i Barai 1999). Rys. 1. Schemat procesu modelowania
4 102 Andrzej Burda, Paweł Cudek, Zdzisław S. Hippe Należy jednak zaznaczyć, że zawsze kluczowym zagadnieniem modelowania, rozstrzyganym już we wstępnym etapie tego procesu, jest zdefiniowanie atrybutu, bądź atrybutów zależnych, decyzyjnych. Kolejnym ważnym etapem jest wybranie spośród wielu deskryptorów (atrybutów objaśniających) takich, które charakteryzują się możliwie największym oddziaływaniem na wartość atrybutów decyzyjnych. Następnie należy wybrać/stworzyć metodykę realizacji modelu, która uwzględniać będzie specyfikę danych. Trzeba też wspomnieć, że dla większości metod, wykorzystywanych w modelowaniu zjawisk ekonomicznych, zależność ta nie musi mieć charakteru przyczynowo-skutkowego a wystarczy, aby miała charakter symptomatyczny. Wspomniane specyficzne uwarunkowania danych MSP powodują znaczne zróżnicowanie jakości predykcji rożnych modeli uczenia maszynowego. Taka sytuacja skutkuje dużym ryzykiem błędu wnioskowania w przypadku zastosowania jednego, autonomicznego modelu do budowy systemu doradczego. Dlatego uznano za celowe zastosowanie zespołu klasyfikatorów zbudowany w oparciu o filozofię WMA (weighted majority algorithm) (Littlestone i Warmuth 1994; Sun i Li 2008; Torabi i inni 2005) oraz zastosowanie specjalnej, autorskiej metody walidacji, ze względu na swój charakter nazwaną walidacją kolejkową (Burda i Hippe 2010). Przeprowadzone przez nas badania potwierdziły przypuszczenie, że model zespołowy, złożony z pięciu klasyfikatorów (sztucznych sieci neuronowych typu liniowego, perceptronu trójwarstwowego i czterowarstwowego, sieci neuronowej o radialnych funkcjach bazowych oraz zbioru reguł wygenerowanych z sieci przekonań Bayesa) cechował się najmniejszymi błędami prognozy dla całego zbioru badawczego obejmującego lata Należy też dodać, że szczególnie ważne dla systemu doradczego jest wykorzystanie w tej metodyce zbioru reguł decyzji postaci: JEŻELI, TO, które realizują nie tylko wspólne zadanie klasyfikacyjne, ale stanowią moduł objaśniający zaprojektowanego systemu. 3. Opis implementacji systemu narzędzie informatyczne ProfileSEEKER Użytkownik w oknie Dane finansowe (rys. 2) wprowadza informację o analizowanym roku działalności przedsiębiorstwa oraz dane (niezbędne) ze sprawozdania finansowego firmy. Po wypełnieniu wszystkich pól i użyciu przycisku Oblicz, system przypisuje wprowadzone dane określonym w tabeli 1 wskaźnikom ekonomiczno-finansowym firmy (atrybutom). Definicje oraz znaczenie tych wskaźników zostały przyjęte na podstawie (Nowak 2006). Dane te można zapisać (przycisk oznaczony symbolem dyskietki) w wewnętrznej, XML-owej bazie danych, lub usunąć (przycisk Kosz). Drugie okno systemu (Wskaźniki finansowe atrybuty) ukazuje skróty nazw tych wskaźników oraz ich wartości. Tutaj, kursor myszki ujawnia pełną nazwę danego atrybutu. Okno trzecie, Prognoza, informuje o kategorii (bankrut/nie-bankrut) przypisanej analizowanej firmie. Dla modelu BBN, po naciśnięciu przycisku R (jak Reguła), pojawia się dodatkowe okno przedstawiające regułę wnioskowania, która doprowa dziła do wydania określonej konkluzji. Należy też dodać, że wprowadzone i zapisane dane mogą być wielokrotnie odtwarzane z bazy danych systemu, i ponownie analizowane. Tab. 1. Atrybuty opisujące stan badanych obiektów Lp. Nazwa atrybutu Symbol 1 Udział zapasów w aktywach ogółem UZAO 2 Udział kapitału obrotowego w finansowaniu majątku ogółem UKOM 3 Niedobór kapitału obrotowego netto NKON 4 Produktywność majątku PRMA 5 Wynik finansowy brutto WFIB 6 Stopa zmian sprzedaży SZSP 7 Stopa zmian zatrudnienia SZZA
5 ProfileSEEKER system informatyczny wczesnego ostrzegania 103 Dane finansowe Wskaźniki finansowe atrybuty PROGNOZA Wnioski Rys. 2. Graficzny interfejs użytkownika programu ProfileSEEKER Analiza dostępnych danych literaturowych oraz przeprowadzone badania własne wska zują na szczególne właściwości finansowo-ekonomiczne małych i średnich przedd siębiorstw. Właściwości te zostały uwzględnione w wewnętrznych algorytmach nowo-opracowanego systemu informatycznego ProfileSEEKER( 1 ), przeznaczonego do oceny stanu rozpatrywanych przedsiębiorstw oraz prognozowaniu ich dychotomicznego zachowania się (bankrut, nie-bankrut) w okresie co najmniej najbliższego roku. Badania wiarygodności prognoz, wydanych przez omawiane narzędzie informatyczne, wykazały ich zadawalającą skuteczność, zaś prosty i intuicyjny interfejs użytkownika może przyczynić się do upowszechnienia opracowanego systemu. Literatura Altman E.I. (1968): Financial Ratios, Discriminant Analysis and Prediction of Corporate Bankruptcy. Journal of Finance, nr 23 (4), s Altman E.I. (2001): Predicting Financial Distress of Companies: Revisiting the Z-score and ZETA Models (Originally Published in, Journal of Banking & Finance, ). [dostęp: ], [@:] Altman E.I., Marco G., Varetto F. (1994): Corporate Distress Diagnosis Comparisons Using Linear Discriminant-Analysis and Neural Networks (the Italian Experience). Journal of Banking & Finance, nr 18 (3), s Antonowicz P. (2007): Metody oceny i prognoza kondycji ekonomiczno-finansowej przedsiębiorstw. Gdańsk, Ośrodek Doradztwa i Doskonalenia Kadr. 1. Wersję instalacyjną ProfileSEEKER można pobrać ze strony Katedry Informatyki i Inżynierii Wiedzy Wyższej Szkoły Zarządzania i Administracji w Zamościu (
6 104 Andrzej Burda, Paweł Cudek, Zdzisław S. Hippe Atiya A.F. (2001): Bankruptcy Prediction for Credit Risk Using Neural Networks. A Survey and New Results. Ieee Transactions on Neural Networks, nr 12 (4), s Baek J., Cho S.Z. (2003): Bankruptcy Prediction for Credit Risk Using an Auto-Associative Neural Network in Korean Firms Ieee International Conference on Computational Intelligence for Financial Engineering, Proceedings, s Beaver W.H. (1966): Financial Ratios as Predictors of Failure. Journal of Accounting Research, nr 4, s Burda A., Hippe Z.S. (2010): Uncertain Data Modeling. The Case of Small and Medium Enterprises. 3rd International Conference on Human System Interaction, , Rzeszów. Chaudhuri A., De K. (2011): Fuzzy Support Vector Machine for Bankruptcy Prediction. Applied Soft Computing, nr 11 (2), s Coats P.K., Fant L.F. (1993): Recognizing Financial Distress Patterns Using a Neural-Network Tool. Financial Management, nr 22 (3), s Derelioglu G., Gurgen F. (2011): Knowledge Discovery Using Neural Approach for SME- s Credit Risk Analysis Problem in Turkey. Expert Systems with Applications, nr 38 (8), s Frydman H., Altman E.I., Kao D.L. (1985): Introducing Recursive Partitioning for Financial Classification the Case of Financial Distress. Journal of Finance, nr 40 (1), s Fulmer J.G.J., Moon J.E., Gavin T.A., Erwin M.J. (1984): A Bankruptcy Classification Model For Small Firms. Journal of Commercial Bank Lending, nr 66 (11), s Gajdka J., Stos D. (1996): Wykorzystanie analizy dyskryminacyjnej w ocenie kondycji finansowej przedsiębiorstw. [w:] R. Borowiecki (red.): Restrukturyzacja w procesie przekształceń i rozwoju przedsiębiorstw, Kraków, Wydawnictwo Akademii Ekonomicznej w Krakowie. Greco S., Matarazzo B., Slowinski R. (1998): A New Rough Set Approach to Multicriteria and Multiattribute Classification. Lecture Notes in Computer Science, nr 1424, s Hadasik D. (1998): Upadłość przedsiębiorstw w Polsce i metody jej prognozowania. Zeszyty Naukowe/Akademia Ekonomiczna w Poznaniu. Seria 2, Prace Habilitacyjne, t. 153, Poznań, Wydawnictwo AE. Hamrol M., Chodakowski J. (2008): Prognozowanie zagrożenia finansowego przedsiębiorstwa. Wartość predykcyjna polskich modeli analizy dyskryminacyjnej. Badania operacyjne i decyzje, nr 3, s Iwanienko I. (2009): Wpływ fazy rozwoju projektu innowacyjnego na możliwość wyboru źródła finansowania przedsiębiorstw przemysłowych. [w:] A. Nalepka i A. Ujwary-Gil (red.): Organizacje komercyjne i niekomercyjne wobec wzmożonej konkurencji oraz wzrastających wymagań konsumentów, Nowy Sącz, Wyższa Szkoła Biznesu. Jo H.K., Han I.G., Lee H.Y. (1997): Bankruptcy Prediction Using Case-Based Reasoning, Neural Networks, and Discriminant Analysis. Expert Systems with Applications, nr 13 (2), s Kaski S., Sinkkonen J., Peltonen J. (2001): Bankruptcy Analysis with Self-Organizing Maps in Learning Metrics. Ieee Transactions on Neural Networks, nr 12 (4), s Kim H.S., Sohn S.Y. (2010): Support Vector Machines for Default Prediction of SMEs Based on Technology Credit. European Journal of Operational Research, nr 201 (3), s Korol T., Prusak B. (2005): Upadłość przedsiębiorstw a wykorzystanie sztucznej inteligencji. Warszawa, CeDeWu. Lech P. (2003): Zintegrowane systemy zarządzania ERP/ERP II. Wykorzystanie w biznesie, wdrażanie. Warszawa, LST Logika Systemy Technologia: Difin. Littlestone N., Warmuth M.K. (1994): The Weighted Majority Algorithm. Information and Computation, nr 108 (2), s Łapiński J. (2011): Stan sektora małych i średnich przedsiębiorstw w Polsce. [w:] A. Brussa i A. Tarnawa (red.): Raport o stanie sektora małych i średnich przedsiębiorstw w Polsce, Warszawa, Polska Agencja Rozwoju Przedsiębiorczości. Marjański A. (2011): Najnowsze badania w kontekście rozwoju przedsiębiorstw rodzinnych w Polsce. Firmy rodzinne nowe drogi rozwoju. Zakończenie Projektu Szkoleniowo-Doradczego Firmy Rodzinne, , Zawiercie. McKee T.E., Greenstein M. (2000): Predicting Bankruptcy Using Recursive Partitioning and a Realistically Proportioned Data Set. Journal of Forecasting, nr 19 (3), s
7 ProfileSEEKER system informatyczny wczesnego ostrzegania 105 Nowak E. (2006): Propozycje zmiennych oceniających kondycję ekonomiczno-finansową przedsiębiorstw. Barometr Regionalny. Pismo społeczno-gospodarcze, nr 6, s Odom M.D., Sharda R. (1990): A Neural Network Model for Bankruptcy Prediction. International Joint Conference on Neural Networks, Vols 1 3, s. B163-B168. Ohlson J.A. (1980): Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, nr 18 (1), s Piramuthu S., Ragavan H., Shaw M.J. (1998): Using Feature Construction to Improve the Performance of Neural Networks. Management Science, nr 44 (3), s Ranjan J. (2009): Business Intelligence: Concepts, Components, Techniques and Benefits. Journal of Theoretical and Applied Information Technology, nr 9 (1), s Reich Y., Barai S.V. (1999): Evaluating Machine Learning Models for Engineering Problems. Artificial Intelligence in Engineering, nr 13 (3), s Ribeiro B., Silva C., Chen N., Vieira A., das Neves J.C. (2012): Enhanced Default Risk Models with SVM. Expert Systems with Applications, nr 39 (11), s Salchenberger L.M., Cinar E.M., Lash N.A. (1992): Neural Networks a New Tool for Predicting Thrift Failures. Decision Sciences, nr 23 (4), s Sarkar S., Sriram R.S. (2001): Bayesian Models for Early Warning of Bank Failures. Management Science, nr 47 (11), s Schmiemann M. (2008): Enterprises by Size Class Overview of SMEs in the EU. Statistics in focus, nr 31, s Serrano-Cinca C. (1996): Self Organizing Neural Networks for Financial Diagnosis. Decision Support Systems, nr 17 (3), s Starczewska-Krzysztoszek M. (2008): Bariery rozwoju małych i średnich przedsiębiorstw w Polsce. Infos, nr 4 (28), s Sun J., Li H. (2008): Listed Companies Financial Distress Prediction Based on Weighted Majority Voting Combination of Multiple Classifiers. Expert Systems with Applications, nr 35 (3), s Tam K.Y. (1991): Neural Network Models and the Prediction of Bank Bankruptcy. Omega, nr 19 (5), s Tam K.Y., Kiang M.Y. (1990): Predicting Bank Failures: A Neural Network Approach. Applied Artificial Intelligence, nr 4 (4), s Torabi K., Sayad S., Balke S.T. (2005): On-Line Adaptive Bayesian Classification for In- Line Particle Image Monitoring in Polymer Film Manufacturing. Computers & Chemical Engineering, nr 30 (1), s Tseng F.M., Hu Y.C. (2010): Comparing Four Bankruptcy Prediction Models: Logit, Quadratic Interval Logit, Neural and Fuzzy Neural Networks. Expert Systems with Applications, nr 37 (3), s Varetto F. (1998): Genetic Algorithm Applications in the Analysis of Insolvency Risk. Journal of Banking and Finance, nr 22, s Waniak-Michalak H. (2007): Pozabankowe źródła finansowania małych i średnich przedsiębiorstw: fundusze pożyczkowe, fundusze poręczeniowe, rynek venture capital. Kraków Warszawa, Wolters Kluwer Polska. Wu Y., Gaunt C., Gray S. (2010): A Comparison of Alternative Bankruptcy Prediction Models. Journal of Contemporary Accounting & Economics, nr 6 (1), s Żołnierski A. (2009): Znaczenie sektora MŚP w Polsce. [w:] A. Żołnierski (red.): Raport o stanie sektora małych i średnich przedsiębiorstw w Polsce w latach , Warszawa, Polska Agencja Rozwoju Przedsiębiorczości.
ANALIZA JAKOŚCI PREDYKCJI STANU EKONOMICZNO- FINANSOWEGO MAŁYCH I ŚREDNICH PRZEDSIĘBIORSTW PRZY POMOCY ZESPOŁÓW SZTUCZNYCH SIECI NEURONOWYCH
BAROMETR REGIONALNY 109 ANALIZA JAKOŚCI PREDYKCJI STANU EKONOMICZNO FINANSOWEGO MAŁYCH I ŚREDNICH PRZEDSIĘBIORSTW PRZY POMOCY ZESPOŁÓW SZTUCZNYCH SIECI NEURONOWYCH Jednym z ważniejszych aspektów analizy
AKADEMIA GÓRNICZO-HUTNICZA
AKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI, INFORMATYKI I INŻYNIERII BIOMEDYCZNEJ KATEDRA AUTOMATYKI I INŻYNIERII BIOMEDYCZNEJ AUTOREFERAT ROZPRAWY DOKTORSKIEJ
Problem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner
Problem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Elementy nieprzystające Definicja odrzucania Klasyfikacja
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie
Specyfika branżowa oraz efektywność funkcjonowania spółek akcyjnych w Polsce a prognozowanie ich upadłości
Uniwersytet Ekonomiczny w Poznaniu Wydział Informatyki i Gospodarki Elektronicznej Katedra Ekonometrii Sergiusz Herman Specyfika branżowa oraz efektywność funkcjonowania spółek akcyjnych w Polsce a prognozowanie
Analiza zagrożenia upadłością
Analiza zagrożenia upadłością Upadłość aspekty ekonomiczne niewypłacalność sytuacja związana ze stanem niewypłacalności osoby prowadzącej przedsiębiorstwo, potwierdzona prawomocnym postanowieniem sądu
PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE
UNIWERSYTET WARMIŃSKO-MAZURSKI W OLSZTYNIE PODYPLOMOWE STUDIA ZAAWANSOWANE METODY ANALIZY DANYCH I DATA MINING W BIZNESIE http://matman.uwm.edu.pl/psi e-mail: psi@matman.uwm.edu.pl ul. Słoneczna 54 10-561
data mining machine learning data science
data mining machine learning data science deep learning, AI, statistics, IoT, operations research, applied mathematics KISIM, WIMiIP, AGH 1 Machine Learning / Data mining / Data science Uczenie maszynowe
LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów
LEMRG algorytm generowania pokoleń reguł decyzji dla baz danych z dużą liczbą atrybutów Łukasz Piątek, Jerzy W. Grzymała-Busse Katedra Systemów Ekspertowych i Sztucznej Inteligencji, Wydział Informatyki
WIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW
Uniwersytet Ekonomiczny we Wrocławiu WIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW Wprowadzenie Wrażliwość wyników analizy wielokryterialnej na zmiany wag kryteriów, przy
Summary in Polish. Fatimah Mohammed Furaiji. Application of Multi-Agent Based Simulation in Consumer Behaviour Modeling
Summary in Polish Fatimah Mohammed Furaiji Application of Multi-Agent Based Simulation in Consumer Behaviour Modeling Zastosowanie symulacji wieloagentowej w modelowaniu zachowania konsumentów Streszczenie
Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań
Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)
Metody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska
Metody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska e-mail: bartosz.krawczyk@pwr.wroc.pl Czym jest klasyfikacja
ANALIZA PORÓWNAWCZA JAKOŚCI MODELI PROGNOZOWANIA KONDYCJI EKONOMICZNO- FINANSOWEJ PRZEDSIĘBIORSTW WOJ. LUBELSKIEGO I PODKARPACKIEGO
115 ANALIZA PORÓWNAWCZA JAKOŚCI MODELI PROGNOZOWANIA KONDYCJI EKONOMICZNO- FINANSOWEJ PRZEDSIĘBIORSTW WOJ. LUBELSKIEGO I PODKARPACKIEGO Zbigniew Omiotek Wyższa Szkoła Zarządzania i Administracji w Zamościu
dr Anna Matuszyk PUBLIKACJE: CeDeWu przetrwania w ocenie ryzyka kredytowego klientów indywidualnych Profile of the Fraudulelent Customer
dr Anna Matuszyk PUBLIKACJE: Lp. Autor/ red. 2015 naukowy 1 A. Matuszyk, Zastosowanie analizy przetrwania w ocenie ryzyka kredytowego klientów indywidualnych Tytuł Okładka CeDeWu 2 A.Matuszyk, A. Ptak-Chmielewska,
ID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu ID1SII4 Nazwa modułu Systemy inteligentne 1 Nazwa modułu w języku angielskim Intelligent
Wykaz haseł identyfikujących prace dyplomowe na Wydziale Nauk Ekonomicznych i Zarządzania
Kierunek Analityka Gospodarcza Analiza ryzyka działalności gospodarczej Business Intelligence Ekonometria Klasyfikacja i analiza danych Metody ilościowe na rynku kapitałowym Metody ilościowe w analizach
dr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2016/2017
dr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2016/2017 KONTAKT Z PROWADZĄCYM dr inż. Paweł Morawski e-mail: pmorawski@spoleczna.pl www: http://pmorawski.spoleczna.pl
Barometr Finansów Banków (BaFiB) propozycja badania koniunktury w sektorze bankowym
Jacek Batóg Uniwersytet Szczeciński Barometr Finansów Banków (BaFiB) propozycja badania koniunktury w sektorze bankowym Jednym z ważniejszych elementów każdej gospodarki jest system bankowy. Znaczenie
6 Metody badania i modele rozwoju organizacji
Spis treści Przedmowa 11 1. Kreowanie systemu zarządzania wiedzą w organizacji 13 1.1. Istota systemu zarządzania wiedzą 13 1.2. Cechy dobrego systemu zarządzania wiedzą 16 1.3. Czynniki determinujące
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 689 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 50 2012 RAFAŁ BALINA SKUTECZNOŚĆ WYBRANYCH MODELI DYSKRYMINACYJNYCH NA PRZYKŁADZIE BRANŻY ROBÓT BUDOWLANYCH
WYKAZ PUBLIKACJI I. Artykuły Ia. Opublikowane przed obroną doktorską
Dr Marcin Pełka Uniwersytet Ekonomiczny we Wrocławiu Wydział Ekonomii, Zarządzania i Turystyki Katedra Ekonometrii i Informatyki WYKAZ PUBLIKACJI I. Artykuły Ia. Opublikowane przed obroną doktorską 1.
M. Wojtyła Uniwersytet Ekonomiczny we Wrocławiu
M. Wojtyła Uniwersytet Ekonomiczny we Wrocławiu Zarządzanie ryzykiem w tworzeniu wartości na przykładzie przedsiębiorstwa z branży 35: Wytwarzanie i zaopatrywanie w energię elektryczną, gaz, parę wodną
Prognozowanie upadłości firm przy wykorzystaniu miękkich technik obliczeniowych
Dr inż. Tomasz Korol Wydział Zarządzania i Ekonomii Politechnika Gdańska Prognozowanie upadłości firm przy wykorzystaniu miękkich technik obliczeniowych Wstęp Artykuł ten poświęcony jest zagadnieniu prognozowania
PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
MATLAB Neural Network Toolbox przegląd
MATLAB Neural Network Toolbox przegląd WYKŁAD Piotr Ciskowski Neural Network Toolbox: Neural Network Toolbox - zastosowania: przykłady zastosowań sieci neuronowych: The 1988 DARPA Neural Network Study
dr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2018/2019
dr inż. Paweł Morawski Informatyczne wsparcie decyzji logistycznych semestr letni 2018/2019 KONTAKT Z PROWADZĄCYM dr inż. Paweł Morawski e-mail: pmorawski@spoleczna.pl www: http://pmorawski.spoleczna.pl
Badania w sieciach złożonych
Badania w sieciach złożonych Grant WCSS nr 177, sprawozdanie za rok 2012 Kierownik grantu dr. hab. inż. Przemysław Kazienko mgr inż. Radosław Michalski Instytut Informatyki Politechniki Wrocławskiej Obszar
B. Gabinet M. Zawadzka Wroclaw University of Economic
B. Gabinet M. Zawadzka Wroclaw University of Economic Zarządzanie wartością przedsiębiorstwa na podstawie przedsiębiorstw z branży uprawy rolne, chów i hodowla zwierząt, łowiectwo Słowa kluczowe: zarządzanie
Studia magisterskie uzupełniające Kierunek: Ekonomia. Specjalność: Ekonomia Menedżerska
Studia magisterskie uzupełniające Kierunek: Ekonomia Specjalność: Ekonomia Menedżerska Spis treści 1. Dlaczego warto wybrać specjalność ekonomia menedżerska? 2. Czego nauczysz się wybierając tę specjalność?
Zakres pytań obowiązujący w roku akad. 2015/2016
Akademia Górniczo-Hutnicza IM. STANISŁAWA STASZICA W KRAKOWIE Wydział: Górnictwa i Geoinżynierii Rodzaj studiów: stacjonarne i niestacjonarne II stopnia Kierunek studiów: Zarządzanie i inżynieria produkcji
Pomiar kapitału ludzkiego wyzwania i szanse dla ZKL
Pomiar kapitału ludzkiego wyzwania i szanse dla ZKL dr Łukasz Sienkiewicz Instytut Kapitału Ludzkiego Seminarium naukowe Pomiar kapitału ludzkiego wyzwania i szanse dla zarządzania organizacją Warszawa,
Przedsiębiorstwo zwinne. Projektowanie systemów i strategii zarządzania
Politechnika Poznańska, Wydział Inżynierii Zarządzania Dr inż. Edmund Pawłowski Przedsiębiorstwo zwinne. Projektowanie systemów i strategii zarządzania Modelowanie i projektowanie struktury organizacyjnej
M. Dąbrowska. Wroclaw University of Economics
M. Dąbrowska Wroclaw University of Economics Słowa kluczowe: Zarządzanie wartością i ryzykiem przedsiębiorstwa, płynność, EVA JEL Classification A 10 Streszczenie: Poniższy raport prezentuje wpływ stosowanej
Wykaz haseł identyfikujących prace dyplomowe na Wydziale Nauk Ekonomicznych i Zarządzania
Kierunek Analityka Gospodarcza Analiza ryzyka działalności gospodarczej Business Intelligence Klasyfikacja i analiza danych Metody ilościowe na rynku kapitałowym Metody ilościowe w analizach regionalnych
Poz. 15 UCHWAŁA NR 15 RADY WYDZIAŁU NAUK EKONOMICZNYCH UW. z dnia 1 marca 2017 roku. w sprawie
Poz. 15 UCHWAŁA NR 15 RADY WYDZIAŁU NAUK EKONOMICZNYCH UW z dnia 1 marca 2017 roku w sprawie utworzenia studiów stacjonarnych II stopnia w języku angielskim pn. Data Science Rada Wydziału Nauk Ekonomicznych
PRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: MODELOWANIE I ANALIZA SYSTEMÓW INFORMATYCZNYCH Modeling and analysis of computer systems Kierunek: Informatyka Forma studiów: Stacjonarne Rodzaj przedmiotu: Poziom kwalifikacji: obowiązkowy
Zeszyty Naukowe nr 12
Zeszyty Naukowe nr 12 POLSKIE TOWARZYSTWO EKONOMICZNE Kraków 2012 Uniwersytet Ekonomiczny w Krakowie Weryfikacja skuteczności modeli predykcji bankructwa polskich przedsiębiorstw 1. Wprowadzenie Celem
Krakowska Akademia im. Andrzeja Frycza Modrzewskiego. Karta przedmiotu. obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 2013/2014
Krakowska Akademia im. Andrzeja Frycza Modrzewskiego Karta przedmiotu obowiązuje studentów, którzy rozpoczęli studia w roku akademickim 201/2014 WydziałZarządzania i Komunikacji Społecznej Kierunek studiów:
Konstrukcja miernika szans na bankructwo firmy
Natalia Nehrebecka / Departament Statystyki Konstrukcja miernika szans na bankructwo firmy Statystyka Wiedza Rozwój, 17-18 października 2013 r. w Łodzi Konstrukcja miernika szans na bankructwo firmy 2
SPECJALIZACJA BADAWCZA:
Dr Anna Matuszyk - pracownik naukowy. Zajmuje się metodami oceny ryzyka kredytowego, w szczególności metodą scoringową, prowadzi badania naukowe, sensu stricte, związane z tą metodą. Brała udział w projektach
prospektywna analiza technologii
WSTĘP Innowacyjne technologie w coraz większym stopniu decydują o przewadze konkurencyjnej przedsiębiorstw. Stanowią również podstawę nowoczesnych procesów wytwórczych, umożliwiających spełnienie potrzeb
Współczesna problematyka klasyfikacji Informatyki
Współczesna problematyka klasyfikacji Informatyki Nazwa pojawiła się na przełomie lat 50-60-tych i przyjęła się na dobre w Europie Jedna z definicji (z Wikipedii): Informatyka dziedzina nauki i techniki
Jak długo żyją spółki na polskiej giełdzie? Zastosowanie statystycznej analizy przeżycia do modelowania upadłości przedsiębiorstw
Jak długo żyją spółki na polskiej giełdzie? Zastosowanie statystycznej analizy przeżycia do modelowania upadłości przedsiębiorstw dr Karolina Borowiec-Mihilewicz Uniwersytet Ekonomiczny we Wrocławiu Zastosowania
Nazwa przedmiotu: MODELOWANIE I ANALIZA SYSTEMÓW INFORMATYCZNYCH. Modeling and analysis of computer systems Forma studiów: Stacjonarne
Nazwa przedmiotu: MODELOWANIE I ANALIZA SYSTEMÓW INFORMATYCZNYCH Kierunek: Informatyka Modeling and analysis of computer systems Forma studiów: Stacjonarne Rodzaj przedmiotu: obowiązkowy w ramach specjalności:
Joanna Muszyńska, Ewa Zdunek Uniwersytet Mikołaja Kopernika w Toruniu. Ekonometryczna analiza upadłości przedsiębiorstw w Polsce w latach 1990-2005
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Uniwersytet Mikołaja Kopernika
PLAN STUDIÓW Wydział Elektroniki, Telekomunikacji i Informatyki, Wydział Zarządzania i Ekonomii Inżynieria danych
WYDZIAŁ: KIERUNEK: poziom kształcenia: profil: forma studiów: Lp. O/F kod modułu/ przedmiotu* SEMESTR 1 1 O PG_00045356 Business law 2 O PG_00045290 Basics of computer programming 3 O PG_00045352 Linear
Zarządzanie bezpieczeństwem informacji przegląd aktualnych standardów i metodyk
Zarządzanie bezpieczeństwem informacji przegląd aktualnych standardów i metodyk dr T Bartosz Kalinowski 17 19 września 2008, Wisła IV Sympozjum Klubu Paragraf 34 1 Informacja a system zarządzania Informacja
1.1 Matryca pokrycia efektów kształcenia. Efekty kształcenia w zakresie wiedzy. Efekty kształcenia w zakresie umiejętności
1.1 Matryca pokrycia efektów kształcenia Matryca dla przedmiotów realizowanych na kierunku Informatyka i Ekonometria (z wyłączeniem przedmiotów realizowanych w ramach specjalności oraz przedmiotów swobodnego
Spis treści. Analiza i modelowanie_nowicki, Chomiak_Księga1.indb :03:08
Spis treści Wstęp.............................................................. 7 Część I Podstawy analizy i modelowania systemów 1. Charakterystyka systemów informacyjnych....................... 13 1.1.
ROZWÓJ SYSTEMÓW SZTUCZNEJ INTELIGENCJI W PERSPEKTYWIE "PRZEMYSŁ 4.0"
ROZWÓJ SYSTEMÓW SZTUCZNEJ INTELIGENCJI W PERSPEKTYWIE "PRZEMYSŁ 4.0" Dr inż. Andrzej KAMIŃSKI Instytut Informatyki i Gospodarki Cyfrowej Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa w Warszawie
Karta przedmiotu studiów podyplomowych
Karta przedmiotu studiów podyplomowych Nazwa studiów podyplomowych Nazwa obszaru kształcenia, w zakresie którego są prowadzone studia podyplomowe Nazwa kierunku studiów, z którym jest związany zakres studiów
PLAN STUDIÓW STACJONARNYCH I NIESTACJONARNYCH WIECZOROWYCH II STOPNIA (od roku akademickiego 2015/2016)
PLAN STUDIÓW STACJONARNYCH I NIESTACJONARNYCH WIECZOROWYCH II STOPNIA (od roku akademickiego 2015/2016) Kierunek: Informatyka i Ekonometria Specjalność: Elektroniczny Biznes Lp. Przedmioty Grupa Wymiar
INŻYNIERIA ZARZADZANIA,
Semestr 1 1. Zarządzanie Podstawy zarządzania jakością 2 20 Z 2 12 Z 2. Zarządzanie Podstawy zarządzania projektami 3 15 15 Z 3 10 10 Z 3. Zarządzanie Postawy organizacji i zarządzania 2 20 E 2 12 E 4.
Program Studiów podyplomowych w zakresie zarządzania Executive Master of Business Administration
Program Studiów podyplomowych w zakresie zarządzania Executive Master of Business Administration Wydział realizujący studia podyplomowe: Ogólna charakterystyka studiów podyplomowych Wydział Nauk Ekonomicznych
Politechnika Białostocka, Wydział Zarządzania, Katedra Informatyki Gospodarczej i Logistyki
Przykład zastosowania analizy dyskryminacyjnej do oceny sytuacji finansowej przedsiębiorstw The example of using discriminant analysis to estimate the companies financial situation Katarzyna Wardzińska
Magdalena Dziubińska. Uniwersytet Ekonomiczny we Wrocławiu
Prognoza przychodów ze sprzedaży dla przedsiębiorstwa XYZ z branży 85.4 PKD Magdalena Dziubińska Uniwersytet Ekonomiczny we Wrocławiu JEL Classification G0 key words: planowanie finansowe, prognoza przychodów,
PRZEWODNIK PO PRZEDMIOCIE
PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu Kierunek Forma studiów Poziom kwalifikacji Rok Semestr Jednostka prowadząca Osoba sporządzająca Profil Rodzaj przedmiotu Liczba punktów ECTS Informatyczne wspomaganie
Wpływ integracji europejskiej w obszarze rynków finansowych na dostępność sektora MSP do finansowania zewnętrznego
Wpływ integracji europejskiej w obszarze rynków finansowych na dostępność sektora MSP do finansowania zewnętrznego Artykuł wprowadzający do e-debaty Sektor małych i średnich przedsiębiorstw (MSP) ma istotne
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 766 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 766 FINANSE, RYNKI FINANSOWE, UBEZPIECZENIA NR 62 2013 Rafał Siedlecki Prognozowanie trudności finansowych przedsiębiorstw z wykorzystaniem metody gradientowej
Wydział Inżynierii Produkcji i Logistyki Faculty of Production Engineering and Logistics
Wydział Inżynierii Produkcji i Logistyki Faculty of Production Engineering and Logistics Plan studiów stacjonarnych II stopnia (magisterskich) na kierunku ZARZĄDZANIE I INŻYNIERIA PRODUKCJI MANAGEMENT
WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN
Inżynieria Rolnicza 2(9)/7 WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Akademia
Od Expert Data Scientist do Citizen Data Scientist, czyli jak w praktyce korzystać z zaawansowanej analizy danych
Od Expert Data Scientist do Citizen Data Scientist, czyli jak w praktyce korzystać z zaawansowanej analizy danych Tomasz Demski StatSoft Polska www.statsoft.pl Analiza danych Zaawansowana analityka, data
Hurtownie danych. Wprowadzenie do systemów typu Business Intelligence
Hurtownie danych Wprowadzenie do systemów typu Business Intelligence Krzysztof Goczyła Teresa Zawadzka Katedra Inżynierii Oprogramowania Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Pobrane z czasopisma Annales H - Oeconomia Data: 22/12/ :02:09
DOI:10.17951/h.2017.51.4.217 ANNALES UNIVERSITATIS MARIAE CURIE-SKŁODOWSKA LUBLIN POLONIA VOL. LI, 4 SECTIO H 2017 Uniwersytet Rzeszowski. Wydział Ekonomii wlichota@tlen.pl Próba weryfikacji wiarygodności
PRZEWODNIK PO PRZEDMIOCIE. stacjonarne. I stopnia III. Leszek Ziora, Tomasz Turek. ogólnoakademicki. kierunkowy
Politechnika Częstochowska, Wydział Zarządzania PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu Kierunek Forma studiów Poziom kwalifikacji Rok Systemy wspomagania zarządzania ERP Zarządzanie Jakością i Produkcją
Zeszyty Naukowe nr 15
Zeszyty Naukowe nr 15 POLSKIE TOWARZYSTWO EKONOMICZNE Kraków 2014 Uniwersytet Ekonomiczny we Wrocławiu Prognozowanie ostrzegawcze na podstawie taksonomicznej miary rozwoju i funkcji loglogistycznej * 1.
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Prognozowanie upadłości przedsiębiorstw spedycyjnych jako bankowe narzędzie decyzyjne
Sławomir Juszczyk, Rafał Balina Katedra Ekonomiki i Organizacji Przedsiębiorstw Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Prognozowanie upadłości przedsiębiorstw spedycyjnych jako bankowe narzędzie
Widzenie komputerowe (computer vision)
Widzenie komputerowe (computer vision) dr inż. Marcin Wilczewski 2018/2019 Organizacja zajęć Tematyka wykładu Cele Python jako narzędzie uczenia maszynowego i widzenia komputerowego. Binaryzacja i segmentacja
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Koncepcja rozprawy doktorskiej. Dorota Czyżewska. Katedra Strategii i Polityki Konkurencyjności Międzynarodowej Poznań, 25.03.2010 r.
Ośrodki wspierania innowacji a konkurencyjność regionalna w ujęciu koncepcji regionu uczącego się - przykład Francji Koncepcja rozprawy doktorskiej Dorota Czyżewska Opiekun naukowy: dr hab. Ewa Łaźniewska,
Nazwa przedmiotu: METODY SZTUCZNEJ INTELIGENCJI W ZAGADNIENIACH EKONOMICZNYCH Artificial intelligence methods in economic issues Kierunek:
Nazwa przedmiotu: METODY SZTUCZNEJ INTELIGENCJI W ZAGADNIENIACH EKONOMICZNYCH Artificial intelligence methods in economic issues Kierunek: Forma studiów: Informatyka Stacjonarne Rodzaj przedmiotu: obowiązkowy
Kluczowe przedmioty dla studentów studiów licencjackich i magisterskich na WNE UW od roku 2017/2018. Studia I stopnia
Kluczowe przedmioty dla studentów studiów licencjackich i magisterskich na WNE UW od roku 2017/2018 Przedmioty kluczowe (na podstawie Szczegółowych Zasad Studiowania na Wydziale Nauk Ekonomicznych Uniwersytetu
IX Kongres Ekonomistów Polskich
Rafał Siedlecki Uniwersytet Ekonomiczny we Wrocławiu IX Kongres Ekonomistów Polskich PROGNOZOWANIE OSTRZEGAWCZE Z WYKORZYSTANIEM GRADIENTOWEJ MIARY ROZWOJU Streszczenie Prognozowanie ostrzegawcze służy
Krótkoterminowe finanse przedsiębiorstw na przykładzie przedsiębiorstw z branży Manufacture of food products. M. Isztwan
Krótkoterminowe finanse przedsiębiorstw na przykładzie przedsiębiorstw z branży Manufacture of food products. M. Isztwan Uniwersytet Ekonomiczny we Wrocławiu Słowa kluczowe: finanse przedsiębiorstw, finanse
Wprowadzenie do Hurtowni Danych. Mariusz Rafało
Wprowadzenie do Hurtowni Danych Mariusz Rafało mariusz.rafalo@hotmail.com WPROWADZENIE DO HURTOWNI DANYCH Co to jest hurtownia danych? Hurtownia danych jest zbiorem danych zorientowanych tematycznie, zintegrowanych,
Opinia o pracy doktorskiej pt. Damage Identification in Electrical Network for Structural Health Monitoring autorstwa mgr inż.
Prof. dr hab. inż. Tadeusz Uhl Katedra Robotyki i Mechatroniki Akademia Górniczo Hutnicza Al. Mickiewicza 30 30-059 Kraków Kraków 26.05.2011 Opinia o pracy doktorskiej pt. Damage Identification in Electrical
METODY UCZENIA MASZYNOWEGO W PROGNOZOWANIU NIEWYPŁACALNOŚCI
Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach ISSN 283-86 Nr 358 28 AGH w Krakowie Wydział Zarządzania Katedra Informatyki Stosowanej palinski@zarz.agh.edu.pl METODY UCZENIA
CEL GŁÓWNY BADANIA CELE SZCZEGÓŁOWE BADANIA
Załącznik nr 1 do SIWZ SZCZEGÓŁOWY OPIS PRZEDMIOTU ZAMÓWIENIA Analiza efektywności inicjatywy JEREMIE na terenie województwa wielkopolskiego wraz z oceną jej oddziaływania na sytuację gospodarczą regionu,
Próba wykorzystania podejścia wielomodelowego w klasyfikacji jednostek samorządowych
Jacek Batóg Uniwersytet Szczeciński Próba wykorzystania podejścia wielomodelowego w klasyfikacji jednostek samorządowych Agregacja wyników uzyskiwanych w odrębnych badaniach, często również przy pomocy
UCHWAŁA nr 10/JK/2016 Rady Wydziału Zarządzania Uniwersytetu Łódzkiego podjęta na posiedzeniu w dniu 27 czerwca 2016 roku
UCHWAŁA nr 10/JK/2016 Rady Wydziału Zarządzania Uniwersytetu Łódzkiego podjęta na posiedzeniu w dniu 27 czerwca 2016 roku w sprawie: zatwierdzenia programów kształcenia studiów stacjonarnych i niestacjonarnych
PRAKTYCZNE WYKORZYSTANIE WYBRANYCH MODELI PREDYKCJI BANKRUCTWA NA PRZYKŁADZIE PRZEDSIĘBIORSTWA PRODUKCYJNO-HANDLOWEGO X
ZESZYTY NAUKOWE UNIWERSYTETU SZCZECIŃSKIEGO NR 729 FINANSE. RYNKI FINANSOWE. UBEZPIECZENIA NR 54 2012 BEATA GOSTOMCZYK Uniwersytet Szczeciński PRAKTYCZNE WYKORZYSTANIE WYBRANYCH MODELI PREDYKCJI BANKRUCTWA
Zagadnienia na egzamin magisterski na kierunku Informatyka i Ekonometria (2 stopień studiów)
Zagadnienia na egzamin magisterski na kierunku Informatyka i Ekonometria (2 stopień studiów) 1. Topologie sieci komputerowych a. 06IE_2A_W02 - jest w stanie zdefiniować problem decyzyjny, analizować źródła
PROGRAMY SEMINARIÓW. TEMAT A Innowacje w biznesie przegląd dobrych praktyk. Godziny spotkania: 10:00 13:00
PROGRAMY SEMINARIÓW TEMAT A Innowacje w biznesie przegląd dobrych praktyk 1. Pojęcia podstawowe z obszaru innowacyjnej przedsiębiorczości 2. Proces poszukiwania innowacyjności 3. Proces wprowadzania innowacji
Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie
dr hab. Grzegorz Bartoszewicz, prof. nadzw. UEP Katedra Informatyki Ekonomicznej Zintegrowane Systemy Informatyczne analiza, projektowanie, wdrażanie Tematyka seminarium związana jest z wykorzystaniem
Prognozowanie upadłości przedsiębiorstw za pomocą wybranych metod wielowymiarowej analizy statystycznej
Katarzyna Dębkowska * Prognozowanie upadłości przedsiębiorstw za pomocą wybranych metod wielowymiarowej analizy statystycznej Wstęp Upadłość przedsiębiorstw jest procesem na trwale wpisanym w funkcjonowanie
ZAKRES BADAŃ SATYSFAKCJI KLIENTA W PRZEDSIĘBIORSTWACH TURYSTYCZNYCH WYNIKI BADAŃ
Klient w organizacji zarządzanej przez jakość, red. Sikora T., Akademia Ekonomiczna w Krakowie, Kraków 2006, ss. 144-151 Joanna Dziadkowiec Tadeusz Sikora Katedra Zarządzania Jakością Akademia Ekonomiczna
Sprawozdanie z przebiegu konsultacji społecznych do Regionalnego Planu Działań na rzecz Zatrudnienia na lata
Załącznik nr 8 Sprawozdani z konsultacji społecznych Sprawozdanie z przebiegu konsultacji społecznych do Regionalnego Planu Działań na rzecz Zatrudnienia na lata 2005-2006 1. Otrzymane ankiety zwrotne
Biznes plan innowacyjnego przedsięwzięcia
Biznes plan innowacyjnego przedsięwzięcia 1 Co to jest biznesplan? Biznes plan można zdefiniować jako długofalowy i kompleksowy plan działalności organizacji gospodarczej lub realizacji przedsięwzięcia
Osoba posiadająca kwalifikacje II stopnia WIEDZA
ZAMIERZONE KSZTAŁCENIA: Symbol K_W01 K_W0 K_W0 K_W0 K_W05 K_W06 K_W07 K_W08 K_W09 K_W10 K_W11 K_W1 K_W1 K_W1 K_W15 1 K_W15 Osoba posiadająca kwalifikacje II stopnia WIEDZA Ma pogłębioną wiedzę o charakterze
Prognozowanie ryzyka bankructwa przedsiębiorstw z branży transportu drogowego towarów
Sławomir Juszczyk, Rafał Balina Katedra Ekonomiki i Organizacji Przedsiębiorstw Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Prognozowanie ryzyka bankructwa przedsiębiorstw z branży transportu drogowego
LISTA KURSÓW PLANOWANYCH DO URUCHOMIENIA W SEMESTRZE ZIMOWYM 2015/2016
LISTA KURSÓW PLANOWANYCH DO URUCHOMIENIA W SEMESTRZE ZIMOWYM 2015/2016 ZARZĄDZANIE I STOPNIA studia stacjonarne 1 sem. PO-W08-ZZZ-ZP- -ST-IL-WRO (2015/2016) MAP008010W Matematyka 30 MAP008010C Matematyka
Wybór promotorów prac magisterskich
Wydział Nauk Ekonomicznych (rok akademicki 2013/2014) Wybór promotorów prac magisterskich na kierunku Finanse i Rachunkowość studia niestacjonarne Katedry zasilające tzw. minimum kadrowe dla kierunku Finanse
Zarządzanie ryzykiem braku zgodności w banku spółdzielczym
Zarządzanie ryzykiem braku zgodności w banku spółdzielczym Wiesław Żółtkowski www.doradztwo.zoltkowski.pl Uwagi ogólne Zarządzanie ryzykiem, jego istotność i zakres trzeba rozpatrywać w kontekście całego
Projekt Badawczy Analiza wskaźnikowa przedsiębiorstwa współfinansowany ze środków Unii Europejskiej
Projekt Badawczy Analiza wskaźnikowa przedsiębiorstwa współfinansowany ze środków Unii Europejskiej FiM Consulting Sp. z o.o. Szymczaka 5, 01-227 Warszawa Tel.: +48 22 862 90 70 www.fim.pl Spis treści
I rok. semestr 1 semestr 2 15 tyg. 15 tyg. Razem ECTS. laborat. semin. ECTS. konwer. wykł. I rok. w tym. Razem ECTS. laborat. semin. ECTS. konwer.
Wydział Informatyki i Nauki o Materiałach Kierunek Informatyka studia I stopnia inżynierskie studia stacjonarne 08- IO1S-13 od roku akademickiego 2015/2016 A Lp GRUPA TREŚCI PODSTAWOWYCH kod Nazwa modułu
Osoba posiadająca kwalifikacje II stopnia WIEDZA
ZAMIERZONE KSZTAŁCENIA: Symbol K_W01 K_W0 K_W0 K_W0 K_W05 K_W06 K_W07 K_W08 K_W09 K_W10 K_W11 K_W1 K_W1 K_W1 K_W15 1 K_W15 Osoba posiadająca kwalifikacje II stopnia WIEDZA Ma pogłębioną wiedzę o charakterze