Bajeso metodo taikymas kreditų rizikos valdyme: atlikta įvairių egzistuojančių metodų rizikai valdyti tyrimas, pateiktas analitinėje dalyje, aprašyti kai kurie plačiau naudojami mašininio mokymo ir matematiniai modeliai. Paiūlytas modelis eksperimentui atlikti, atliktas empirinis tyrimas ir pateikti gauti rezultatai, pateiktos išvados ir ateities perspektyvos. / Baysan Method for a Credit Risk Management This paper presents a method combining popular machine learning technique for classification, genetic search as a feature selection method for relevant attribute selection and Altman Z-Score discriminant technique for credit risk evaluation. Bayesian method based classifiers (Naïve Bayes, Bayesian Networks) were explored and used in this article to train classifiers. This method was applied to different sectors in service and industry. Its performance was evaluated using weighted mean accuracy and weighted mean error techniques. In theoretical part several methods were analyzed and described, in the end conclusions and suggestions were pointed.

Įvairių sričių reiškinių matematiniai modeliai apima daug faktorių, kurie yra priklausomi nuo laiko, o taip pat pastebima jų tarpusavio priklausomybė. Vadinasi, norint nagrinėt šių reiškinių kitimo dėsnius, patartina sudaryti šių procesų dinaminį modelį. Šiame darbe dinaminio modelio sudarymui naudojami indikatoriai. Indikatorius tai specialus rodiklis, kuriuo pasinaudojus galima skaitiškai įvertinti svarbius analizuojamos srities faktorius. Indikatorių reikšmės gaunamos iš statistinių duomenų. Diferencialinių lygčių sistemos koeficientams skaičiuoti pristatomi du būdai: algebrinis ir mažiausių kvadratų metodai. Indikatorių išraiškas, gautas išsprendus diferencialinių lygčių sistemą, galima panaudoti prognozavimui. Tačiau įgyvendinant naujus projektus, šias indikatorių išraiškas reikia patikslinti, atsižvelgiant į naujus faktorius. Kadangi naujų faktorių reikšmės nėra tiksliai žinomos (gautos iš ekspertinio vertinimo), jų įtaka sistemai yra išreiškiama atsitiktiniu dydžiu su žinomu tikimybiniu skirstiniu. Naujų faktorių įtaka indikatoriams dinaminiame modelyje yra patikslinama Bajeso metodu. Kaip pavyzdys, sudarytas dinaminis modelis pritaikytas energijos tiekimo saugumo indikatorių modeliavimui. / In many areas mathematical models of processes take into acount variuos time dependent factors, they also can be dependent on each other. Thus, it is advisable to construct a dynamic model. In this master thesis we use indicators to describe dynamic model. An indicator is a special index, which provides numerical values to inportant factors for the investigated sector. The values of indicators are obtained from statistical data. There are presented two calculation ways of differential equations systems coefficients (using algebraic and least square methods). Furthermore created dynamic model enables us to forecast the dynamics of the indicators according to new factors. Since the parameters of different new factors are not exactly known (got from expert judgement), their influence on indicators are expressed as random variables with known probablistic distributions. Indicators model based on historical data is adjusted using a Bayesian approach. For practical demonstration of the proposed dynamic model energy security assessment indicators were chosen.

Pagrindinis darbo tikslas – pritaikyti matematinius ir statistinius metodus lietuvių kalbos analizėje, identifikuojant ir atsižvelgiant į lietuvių kalbos ypatumus, jos heterogeniškumą, sudėtingumą ir variabilumą. / The target of the work is to apply mathematical and statistical methods in the analysis of the Lithuanian language by identifying and taking into account peculiarities of the Lithuanian language, its heterogeneity, complexity and variability.

The target of the work is to apply mathematical and statistical methods in the analysis of the Lithuanian language by identifying and taking into account peculiarities of the Lithuanian language, its heterogeneity, complexity and variability. / Pagrindinis darbo tikslas – pritaikyti matematinius ir statistinius metodus lietuvių kalbos analizėje, identifikuojant ir atsižvelgiant į lietuvių kalbos ypatumus, jos heterogeniškumą, sudėtingumą ir variabilumą.