@PHDTHESIS{ 2020:1311372990,
 	title = {Uma abordagem de aprendizagem profunda que usa fun??es assim?tricas para modelagem de pontua??o de cr?dito no varejo},
 	year = {2020},
 	url = "https://tede.ufam.edu.br/handle/tede/7944",
 	abstract = "Institui??es credoras precisam lidar com as incertezas do neg?cio, criando estrat?gias que diminuam os riscos associados ? concess?o de cr?dito de seus clientes. Para lidar com este problema, foram desenvolvidos modelos quantitativos de previs?o de risco baseados em dados cadastrais e comportamentais dos clientes. Nos ?ltimos anos, novas gera??es destes modelos, baseadas em aprendizagem de m?quina, t?m sido comumente usadas por institui??es financeiras e de varejo. De forma geral, este problema ? formulado como um problema de classifica??o bin?ria onde se deseja discriminar bons de maus pagadores. Por este ser um problema de natureza desbalanceada (normalmente, h? mais bons que maus pagadores), ? comum a ado??o de estrat?gias que levam ? sub-representa??o ou extrapola??o de dados e, consequentemente, com altera??o da distribui??o real das amostras, o que pode influenciar negativamente no desempenho dos modelos. Al?m disso, muitas vezes estes modelos n?o tiram proveito de particularidades das pol?ticas de cr?dito nas quais eles ser?o empregados. Estas podem dar diferente valor para diferentes tipos de erro, aplicando diferentes crit?rios para diferentes partes das listas ordenadas de escores de cr?dito. Uma forma de lidar com tais problemas ? criar modelos que aprendam diretamente o ranking de cr?dito (ou seja, qual a ordem esperada entre dois clientes, dado os seus riscos) em lugar da distin??o entre bons e maus. Um inconveniente desta abordagem ? que ela tem custo de aprendizado maior, uma vez que o modelo deve analisar pares de inst?ncias. Contudo, a literatura recente de aprendizagem de m?quina tem produzido muitas t?cnicas de equival?ncia de problemas capazes de otimizar tarefas de ranking de forma robusta a desbalanceamento, com custos de treino comuns aos da tarefa de classifica??o. Al?m disso, com grandes massas de dados e complexos padr?es t?picos de modelos de comportamento usados no varejo, ? poss?vel adotar modelos baseados em aprendizagem profunda, que t?m sido usados com sucesso em uma grande variedade de aplica??es. Neste trabalho, apresentamos modelos de aprendizagem profunda para o problema de modelagem de cr?dito para varejo que envolve dados comportamentais na entrada. Para tanto, tratamos o problema com uma solu??o de equival?ncia entre classifica??o bin?ria e ranking bipartido, utilizando para isso uma fun??o de perda assim?trica, com hiper-par?metros aprendidos durante o treino. Desta forma, associamos as vantagens das solu??es de classifica??o bin?ria com as de um modelo de ranking bipartido, ou seja, baixo custo de treinamento, possibilidade de calibrar o grau de toler?ncia a erros em partes espec?ficas do ranking e robustez a desbalanceamento. Por meio da avalia??o em dois conjuntos de dados de grande escala, um p?blico e outro privado, observamos que o modelo proposto ? capaz de superar v?rios outros modelos baseados em aprendizagem superficial e profunda.",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Inform?tica},
 	note = {Instituto de Computa??o}
}