Gépi tanulás és prediktiv elemzés az üzleti világban

Szentesi Ádám Zoltán (2025) Gépi tanulás és prediktiv elemzés az üzleti világban. Pénzügyi és Számviteli Kar.

	PDF Szakdolgozat.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (1MB)
	PDF biralat_szentesi.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (1MB)

Absztrakt (kivonat)

A szakdolgozat célja annak vizsgálata volt, hogy a mesterséges intelligencia-alapú prediktív modellek hoznak-e mérhető előnyt pontosságban a klasszikus idősorelemző módszerekhez képest. A kutatásban három algoritmust XGBoost, Prophet és SARIMA/SARIMAX hasonlítottam össze négy különböző adattípuson (fogyasztói árindex, halálozási idősor, energiafogyasztás exogén tényezőkkel, valamint vendégéjszakák száma). A modelleket minden esetben 12 hónapos előrejelzésre alkalmaztam, és az eredményeket valós tényadatokkal ellenőriztem. A vizsgálat azt mutatta, hogy nem létezik univerzálisan legjobb módszer: az XGBoost szezonális, nemlineáris mintázatú adatokon teljesített kiemelkedően, a Prophet trendtörésekkel terhelt időszakokban bizonyult alkalmasabbnak, míg a SARIMA stabil, monoton idősorok esetén működött a legmegbízhatóbban. A kutatás gyakorlati tanulsága, hogy a megfelelő modellválasztás adattípustól és szerkezettől függ, a mesterséges intelligencia pedig akkor hoz valódi előnyt, ha a probléma jellegéhez igazítjuk. Az eredmények hozzájárulnak a prediktív analitika üzleti és technikai alkalmazhatóságának mélyebb megértéséhez, valamint bemutatják az MI-modellek gyakorlati korlátait és erősségeit különböző doménekben.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Pénzügyi és Számviteli Kar

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Gazdaságinformatikus

Mű típusa:	diplomadolgozat (NEM RÉSZLETEZETT)
Kulcsszavak:	analitika, big data, forecasting computer programs, GDPR (General Data Protection Regulation), gépi tanulás, mesterséges intelligencia, prediktív modellek, statisztikai adatelemzés
SWORD Depositor:	User Archive
Felhasználói azonosító szám (ID):	User Archive
Rekord készítés dátuma:	2026. Júl. 09. 11:14
Utolsó módosítás:	2026. Júl. 09. 11:14

Actions (login required)

Tétel nézet