Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Применение алгоритмов машинного обучения в прикладных задачах

Покупка
Основная коллекция
Артикул: 879267.01.99
Доступ онлайн
350 ₽
В корзину
Пособие посвящено рассмотрению подходов по применению методов структурного анализа отчетности предприятия и оценки уровня финансовой безопасности предприятия. Описан процесс разработки информационно-аналитической системы обеспечения информационной безопасности предприятия на примере системы фильтрации. Продемонстрирован процесс построения сервиса для анализа инцидентов информационной безопасности в организации. Пособие предназначено для студентов высших учебных заведений, обучающихся по специальности 10.05.04 - Информационно-аналитические системы безопасности (специализация: «Безопасность систем искусственного интеллекта») по курсу «Методы интеллектуального анализа данных» и направлению 10.03.01 - Информационная безопасность (направленность: «Информационно-аналитические системы безопасности») по курсу «Модели и методы инженерии знаний».
19
Целых, А. Н. Применение алгоритмов машинного обучения в прикладных задачах : учебное пособие / А. Н. Целых, Э. М. Котов ; Южный федеральный университет. − Ростов-на-Дону ; Таганрог : Издательство Южного федеральногоуниверситета, 2025. - 126 с. – ISBN 978-5-9275-5103-3. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2252567 (дата обращения: 19.11.2026). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов
Содержание 
МИНИСТЕРСТВО  НАУКИ  И  ВЫСШЕГО  ОБРАЗОВАНИЯ  
РОССИЙСКОЙ  ФЕДЕРАЦИИ  
Федеральное государственное автономное  
образовательное учреждение высшего образования 
«ЮЖНЫЙ  ФЕДЕРАЛЬНЫЙ  УНИВЕРСИТЕТ» 
Инженерно-технологическая академия 
 
 
 
А. Н. ЦЕЛЫХ 
Э. М. КОТОВ 
 
ПРИМЕНЕНИЕ  АЛГОРИТМОВ 
МАШИННОГО  ОБУЧЕНИЯ  
В  ПРИКЛАДНЫХ  ЗАДАЧАХ 
 
Учебное пособие 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Ростов-на-Дону − Таганрог 
Издательство Южного федерального университета 
2025 
 
 
 


Содержание 
УДК 004.056.5(075.8)   
ББК  32.97я73 
         Ц349 
Печатается по решению кафедры информационно-аналитических систем  
безопасности Института компьютерных технологий и информационной  
безопасности Южного федерального университета 
(протокол № 9 от 28 мая 2025 г.) 
Рецензенты: 
доктор технических наук, профессор, ведущий научный сотрудник,  
профессор кафедры информатики Таганрогского института имени  
А. П. Чехова (филиал) ФГБОУ ВО РГЭУ (РИНХ)  Я. Е. Ромм 
доктор технических наук, профессор, профессор кафедры  
информационно-аналитических систем безопасности имени профессора  
Л. С. Берштейна Института компьютерных технологий  
и информационной безопасности Южного федерального университета  
А. В. Боженюк 
Целых, А. Н.  
Ц349        Применение алгоритмов машинного обучения в прикладных задачах : 
учебное пособие / А. Н. Целых, Э. М. Котов ; Южный федеральный университет. − Ростов-на-Дону ; Таганрог : Издательство Южного федерального 
университета, 2025. − 124 с. 
ISBN 978-5-9275-5103-3 
Пособие посвящено рассмотрению подходов по применению методов 
структурного анализа отчетности предприятия и оценки уровня финансовой безопасности предприятия. Описан процесс разработки информационно-аналитической системы обеспечения информационной безопасности предприятия на примере системы фильтрации. Продемонстрирован процесс построения сервиса для 
анализа инцидентов информационной безопасности в организации. 
Пособие предназначено для студентов высших учебных заведений, обучающихся по специальности 10.05.04 − Информационно-аналитические системы 
безопасности (специализация: «Безопасность систем искусственного интеллекта») 
по курсу «Методы интеллектуального анализа данных» и направлению 10.03.01 − 
Информационная безопасность (направленность: «Информационно-аналитические системы безопасности») по курсу «Модели и методы инженерии знаний».  
ISBN 978-5-9275-5103-3 
УДК 004.056.5(075.8)  
ББК 32.97я73 
 
© Южный федеральный университет, 2025 
© Целых А. Н., Котов Э. М., 2025 
© Оформление. Макет. Издательство  
    Южного федерального университета, 2025 
 
 


Введение 
 
СОДЕРЖАНИЕ 
ВВЕДЕНИЕ ......................................................................................................... 5 
1. СОВРЕМЕННОЕ  СОСТОЯНИЕ  ИССЛЕДОВАНИЙ  В  ОБЛАСТИ 
ФИНАНСОВОГО  МОНИТОРИНГА ............................................................... 7 
1.1. Введение в финансовый мониторинг и его проблемы .......................... 7 
1.1.1. Важность финансового мониторинга для предприятий и  
банков ............................................................................................................. 7 
1.1.2. Современные вызовы .......................................................................... 8 
1.2. Тенденции развития финансового мониторинга ................................... 9 
1.2.1. Этапы эволюции финансового мониторинга .................................. 9 
1.2.2. Роль цифровизации в управлении финансами ................................ 10 
1.2.3. Машинное обучение как основа новых подходов к мониторингу 11 
1.3. Влияние внедрения машинного обучения на   
бизнес-процессы ............................................................................................. 12 
1.3.1. Как трансформируются соблюдение нормативных требований  
и управление рисками .................................................................................. 12 
1.3.2. Автоматизация и ручное управление ............................................. 14 
1.3.3. Преимущества, риски и этические аспекты ................................. 15 
1.3.4. Реальные примеры использования ................................................... 17 
2. ИССЛЕДОВАНИЕ  АЛГОРИТМОВ  МАШИННОГО  ОБУЧЕНИЯ ..... 19 
2.1. Основные понятия машинного обучения ............................................. 19 
2.2. Логистическая регрессия ........................................................................ 20 
2.3. Деревья решений ..................................................................................... 22 
2.4. Алгоритм случайного леса ..................................................................... 24 
2.5. Алгоритм Ada Boost ................................................................................ 26 
2.6. Градиентный бустинг ............................................................................. 29 
2.7. Стекинг ..................................................................................................... 31 
2.8. Блендинг ................................................................................................... 32 
2.9. Наивный Байес ........................................................................................ 33 
2.10. Байесовские нейросети ......................................................................... 35 
 


Содержание 
2.11. Алгоритм k-ближайших соседей ......................................................... 38 
2.12. Алгоритм K-средних ............................................................................. 40 
2.13. Алгоритм пространственной кластеризации  приложений  
с шумом на основе плотности ...................................................................... 41 
2.14. Модели гауссовых смесей .................................................................... 43 
2.15. Алгоритм Q-Learning ............................................................................ 46 
2.16. Политико-градиентные алгоритмы ..................................................... 47 
2.17. Алгоритм One-Class SVM .................................................................... 49 
2.18. Скрытые марковские модели ............................................................... 51 
2.19. Генеративно-состязательные сети....................................................... 53 
2.20. Прямопропускающие нейронные сети ............................................... 56 
2.21. Cверточные нейронные сети ................................................................ 58 
2.22. Реккурентные нейронные сети ............................................................ 61 
2.23. Графовые нейронные сети ................................................................... 63 
2.24. Алгоритм TabNet ................................................................................... 65 
2.25. Алгоритмы машинного обучения  в финансовом мониторинге ...... 67 
3. ЭФФЕКТИВНОСТЬ  АЛГОРИТМОВ  МАШИННОГО  ОБУЧЕНИЯ  
В  ЗАДАЧАХ  ФИНАНСОВОГО  НАДЗОРА ............................................... 83 
3.1. Анализ данных ........................................................................................ 83 
3.2. Обработка данных ................................................................................... 84 
3.3. Обучение моделей ................................................................................... 86 
3.3.1. Автоэнкодер как инструмент выявления аномалий ..................... 87 
3.3.2. Классические бустинг-модели: CatBoost, LightGBM и XGBoost..90 
3.3.3. Модель IsolationForest для поиска аномалий.................................. 90 
3.3.4. OPTICS – кластеризация как средство обнаружения  
выбросов ....................................................................................................... 93 
3.4. Анализ результатов моделей: сравнение классификаторов и  
методов обнаружения аномалий .................................................................. 94 
3.5. Анализ методов выявления аномалий в задаче выявления  
аномалий ....................................................................................................... 101 
3.6. Генерация синтетических данных ....................................................... 106 
ЗАКЛЮЧЕНИЕ ............................................................................................... 115 
СПИСОК  ЛИТЕРАТУРЫ ............................................................................. 117 


Введение 
  
ВВЕДЕНИЕ 
 
Современная финансовая система сталкивается с беспрецедентными 
вызовами: стремительный рост объёмов транзакций, ужесточение регуляторных требований и усложнение схем финансовых преступлений – от отмывания денег до финансирования терроризма. Традиционные методы контроля, основанные на ручном анализе и фиксированных правилах, не справляются с нагрузкой, создавая риски для банков и корпораций. Эти риски 
включают не только штрафы за несоответствие нормам, но и потерю репутации, нарушение устойчивости бизнес-процессов, а также прямые убытки 
от мошеннических операций.
Выходом становятся технологии машинного обучения, способные автоматизировать анализ данных, выявлять скрытые паттерны и адаптироваться к динамичным угрозам. Алгоритмы классификации, такие как Cat 
Boost, LightGBM, XGBoost, а также методы обнаружения аномалий – автоэнкодеры, Isolation Forest, OPTICS – демонстрируют высокую эффективность в распознавании подозрительных операций и поиске редких отклонений. Их ключевое преимущество – способность обрабатывать большие объёмы данных в режиме реального времени, повышая точность и скорость 
принятия решений. Это особенно важно в условиях, когда устаревшие системы мониторинга становятся уязвимыми перед изощрёнными атаками, а 
финансовые преступления используют сложные многоуровневые схемы. 
Однако внедрение технологий искусственного интеллекта, включая 
роботизированную автоматизацию (RPA), сопряжено с рядом проблем. 
Среди них – обеспечение конфиденциальности данных, интеграция с устаревшей IT-инфраструктурой, необходимость в качественных обучающих 
выборках, а также сложности интерпретации результатов, особенно в случае нейросетевых моделей. Тем не менее потенциал этих технологий для 
повышения безопасности и эффективности финансового мониторинга делает их критически важным элементом современных стратегий. 
В данном учебном пособие рассматривается применение методов машинного обучения для решения задач финансового мониторинга, в 
 


Введение 
частности – для выявления аномальных транзакций и потенциально подозрительной активности. Проведён обзор современных подходов и алгоритмов, применяемых в этой области, включая как классические модели, так и 
современные методы глубокого обучения. Особое внимание уделено алгоритмам бустинга, автоэнкодерам, изолирующему лесу и кластерным подходам, таким как OPTICS. 
В пособии реализовано сравнение эффективности различных моделей 
на реальных и синтетических финансовых данных. Оценка проводилась по 
ключевым метрикам классификации и обнаружения аномалий. Работа демонстрирует практическую значимость применения ИИ в области контроля 
финансовых потоков и может быть использована при разработке систем 
комплаенс-контроля, антифрод-решений и автоматизированных аналитических платформ. Результаты исследования, проведенного в работе, подтверждают эффективность машинного обучения как инструмента анализа в 
задачах финансового сектора. 
 
 
 


1.1. Введение в финансовый мониторинг и его проблемы 
СОВРЕМЕННОЕ  СОСТОЯНИЕ 
ИССЛЕДОВАНИЙ  В  ОБЛАСТИ 
ФИНАНСОВОГО  МОНИТОРИНГА 
1.1. Введение в финансовый мониторинг  
и его проблемы 
В этой главе учебного пособия рассматривается значение финансового 
мониторинга, проблемы, с которыми сталкиваются предприятия и банки, и 
то, как машинное обучение изменяет методы обнаружения аномалий и 
предотвращения мошенничества. Понимание значения финансового мониторинга и его технологических достижений позволяет получить представление о роли искусственного интеллекта и машинного обучения в обеспечении безопасности и стабильности транзакций. 
1.1.1. Важность финансового мониторинга  
для предприятий и банков 
Финансовый мониторинг стал ключевым элементом глобальной экономики, гарантирующим безопасность транзакций, стабильность рынков и 
операционную эффективность для бизнеса и банков. Его задача – минимизация рисков: от преднамеренного мошенничества до ошибок в операционной деятельности, а также непрерывный анализ операций, оценка рисков и 
контроль за соблюдением регуляторных норм, что позволяет не только 
предотвращать нарушения, но и оптимизировать бизнес-процессы. В условиях усложнения финансовых систем и роста киберугроз потребность в таких решениях становится очень важной.
Для коммерческих организаций и банков финансовый мониторинг является ключевым элементом системы управления рисками. Он обеспечивает контроль за соблюдением нормативных требований (compliance), 
предотвращает убытки от мошеннических операций и содействует повышению прозрачности бизнес-процессов. 
Традиционные системы мониторинга, основанные на жёстко заданных 
правилах (rule-based systems), теряют эффективность из-за роста сложности 
 


1. Современное состояние исследований в области финансового мониторинга 
схем финансовых злоупотреблений. В ответ на это внедряются более гибкие 
технологии на основе машинного обучения, которые способны выявлять закономерности, ускользающие от классических методов анализа. Алгоритмы 
ИИ, включая методы глубокого обучения (deeplearning), успешно распознают многоступенчатые атаки, скрытые связи между участниками транзакций и иные аномальные паттерны. В докладе для общественных консультаций подчеркивается [1], что модели машинного обучения эффективно обнаруживают и предотвращают мошенничество, анализируя большие наборы 
данных о транзакциях на предмет необычных закономерностей. 
Тем не менее внедрение ИИ в практику финансового мониторинга сопряжено с рядом трудностей: защита персональных данных, интеграция новых решений в устаревшую IT-инфраструктуру и необходимость в репрезентативных обучающих выборках. Несмотря на это, инвестиции в интеллектуальные технологии становятся стратегическим приоритетом для многих финансовых организаций, поскольку они усиливают защиту активов и 
способствуют росту доверия со стороны клиентов. 
1.1.2. Современные вызовы 
Развитие цифровых финансовых сервисов и рост объема онлайн-транзакций сопровождаются резким увеличением числа угроз. Среди наиболее 
острых проблем – рост числа киберпреступлений, сложность различения 
между техническими сбоями и целенаправленными атаками, увеличение 
зависимости от автоматизированных систем принятия решений и стремительное развитие мошеннических схем. 
На фоне развития цифрового банкинга и глобализации финансовых 
операций возрастает количество рисков, с которыми сталкиваются финансовые учреждения. Среди них особенно остро стоят: рост кибермошенничества, сложность отличия между техническими ошибками и злонамеренными действиями, повышение зависимости от автоматизированных решений и стремительное изменение способов совершения транзакций. 
Одной из главных проблем остаётся способность систем к точному 
распознаванию аномалий. Так, не каждая нетипичная операция является 
мошеннической, и высокая доля ложных срабатываний (falsepositives) может привести к излишним издержкам и снижению качества клиентского 


1.2. Тенденции развития финансового мониторинга 
обслуживания. Эффективные модели ИИ должны не только фиксировать 
аномалии, но и классифицировать их с учётом контекста и вероятностной 
оценки риска. 
Отдельную угрозу представляет использование ИИ в преступных целях: например, для генерации поддельных транзакций или обхода алгоритмов контроля. Возникает парадокс: те же технологии, что обеспечивают 
безопасность, могут использоваться для её подрыва. Это делает вопросы 
киберустойчивости и этики в построении моделей особенно актуальными.
Как отмечается в докладе Discover Global Network [2], современные 
инструменты, основанные на ИИ, способны в реальном времени анализировать поведение пользователей, выявлять отклонения от нормы и своевременно реагировать на потенциальные угрозы. Это позволяет учреждениям 
не только оперативно пресекать мошеннические действия, но и адаптироваться к меняющимся требованиям регуляторов. 
1.2. Тенденции развития финансового мониторинга 
Финансовый мониторинг переживает глубокую трансформацию под 
воздействием цифровых технологий, искусственного интеллекта и машинного обучения. Эти перемены касаются не только методов выявления рисков и соблюдения регулятивных норм, но и самого характера управленческих решений. Данный подраздел рассматривает эволюционные стадии развития систем мониторинга, ключевые технологические переходы, а также 
роль искусственного интеллекта и машинного обучения в формировании 
стратегий финансового контроля. 
1.2.1. Этапы эволюции финансового мониторинга 
За последние десятилетия системы финансового мониторинга претерпели радикальные изменения – от ручных проверок до интеллектуальных 
платформ, управляемых данными и основанных на искусственном интеллекте и машинном обучении. На начальном этапе мониторинг представлял 
собой реактивный процесс с преобладанием ручных операций. Организации использовали статические электронные таблицы, бумажную документацию и регламентированные протоколы учета для выявления ошибок и 


1. Современное состояние исследований в области финансового мониторинга 
обеспечения соответствия нормам. Эти системы не обладали возможностями прогнозирования или оперативной обратной связи, что повышало 
риски человеческих ошибок и снижало эффективность. 
С распространением ERP-систем (планирование ресурсов предприятия) и цифровых баз данных в конце XX в. начался второй этап развития. 
Автоматизация ввода и хранения данных ускорила формирование отчетности и централизацию управления информацией. Однако даже при сокращении ручного труда цифровые решения того периода не обеспечивали адаптивности систем и оперативного реагирования в реальном времени.  
Третий этап связан с внедрением инструментов бизнес-аналитики (BI) 
и технологий непрерывного мониторинга. Данные решения позволили организациям отслеживать ключевые показатели эффективности (KPI), анализировать динамику денежных потоков и визуализировать операционные 
метрики. Несмотря на прогресс в доступности данных, подход оставался 
описательным, предоставляя ретроспективную аналитику вместо превентивных рекомендаций. 
Современный этап, обусловленный цифровой трансформацией финансового менеджмента, характеризуется интеграцией искусственного интеллекта, машинного обучения и больших данных. Эти технологии переопределили концепцию мониторинга, обеспечив переход от статического контроля к динамическим, прогнозным и самообучающимся системам. Алгоритмы искусственного интеллекта непрерывно анализируют транзакции, 
идентифицируют аномалии и оценивают вероятные сценарии рисков, повышая устойчивость и точность внутреннего контроля [3,4]. 
1.2.2. Роль цифровизации в управлении финансами 
Цифровизация трансформирует не только методы обработки данных, 
но и подходы к формированию финансовой стратегии. Внедрение облачных 
вычислений, RPA (роботизированной автоматизации процессов) и интегрированных платформ оптимизировало рутинные операции: обработку счетов, расчет зарплат, сверку показателей. Это сократило издержки и минимизировало ошибки за счет исключения человеческого фактора. 
Цифровые платформы обеспечили синхронизацию данных между  
подразделениями в реальном времени, что позволило руководителям  


Доступ онлайн
350 ₽
В корзину