O‘zbekiston respublikasi fanlar akademiyasi

Тажрибавий текшириш. Таклиф қилинган алгоритмнинг ишлашини 
баҳолаш мақсадида функционал схема ва тегишли дастур ишлаб чиқилди. Ушбу 
алгоритмларнинг дастурий жиҳатдан амалга оширилиши python дастурлаш 
тилида амалга оширилди. Ишлаб чиқилган дастурларнинг иш самарадорлиги 
шартли олинган банк мижозларининг маълумотлари асосида уларнинг кредитга 
лаёқатлилигини баҳолаш масаласини ҳал қилишда текширилди. Барча 
маълумотлар юқорида келтирилган қадамлар асосида дастлабки ишлов берилди.
Берилган маълумотлар сифатида 350 та шартли ҳосил қилинган кредит 
олиш истагидаги мижоз ҳақида маълумотлардан ташкил топган тўплам берилган. 
Ҳар бир мижоз ҳақида 18 та бутун сон қийматли маълумотлар келтирилган. Банк 
мижозларини кредитга лаёқатлилигини баҳолашда 4 та синфга ажратади ҳамда 
уларнинг фақат 4-синфига кредит бериш тавсия этилмайди. Шунинг учун ҳам 
мумкин бўлган синфлар сонини 2 тага тенг деб олиш мумкин. Булар кредит 

---

53 
бериш тавсия этиладиган ва кредит бериш тавсия этилмайдиган синфлар бўлиб, 
нейрон тўри чиқиши мос равишда “1” ёки “0” қиймат орқали бу синфларни 
кўрсатади.
Турли синфларга тегишли бўлган мижозларни ажратиб олиш учун 
Хопфилд тўрини ўқитиш учун катта бўлмаган 300 та тасодифий қийматлардан 
ташкил топган ва турли синфларга деярли тенг миқдорда тааллуқли ўқув 
танланмаси етарли ҳисобланади. Тестлаш танламаси учун ҳам шу каби 50 та 
бошқа мижозлар ҳақидаги маълумотлар олинди. Бунда ўқув танланмаси 10 талик 
блокларга бўлиб нейрон тўрига узатилади. Ўқитиш жараёни GeForce GT780 
видеокартасида CUDA технологияси ёрдамида амалга оширилганда нейрон 
тўрини ўқитиш тезлиги кескин ошганлиги аниқланди. Тажриба натижасида 
тестлаш танланмаси объектларини мақбул даражадаги хатолик билан 2 та синфга 
бўлишга имкон берувчи алгоритм ишлаб чиқилди. 
Хулоса. Кредит олувчининг кредитга лаёқатлилигини баҳолашда тез ва 
аниқ қарор қабул қилишга кўмаклашувчи тизимларни қуриш асосий масалалардан 
бири ҳисобланади. Ушбу мақолада келтириб ўтилган алгоритм бу масалани 
мақбул аниқликда ҳал қилиш имконини беради. Ўтказилган тажрибавий 
тадқиқотлар ишлаб чиқилган алгоритм ушбу масалани ҳал қилишда юқори 
даражадаги 
аниқликни 
кўрсатди. 
Ушбу 
масалани 
ҳозирги 
вақтдаги 
қурилмаларнинг ва технологияларнинг имкониятидан унумли фойдаланган ҳолда 
кўпқатламли нейрон тўрлари ёрдамида мантиқий регрессия масаласига келтириб 
ечиш жуда катта самарадорлик ва аниқлик бериши мумкин. Шунга қарамай, 
таклиф этилаётган алгоритмдан мижознинг кредитга лаёқатлилигини баҳолаш 
учун фойдаланиш мумкинлигини таъкидлаб ўтамиз. 
ФОЙДАЛАНИЛГАН АДАБИЁТЛАР 
1. Ковал ев П.П. Банковский риск-менеджмент. –М.: Финансы и статистика, 
2014. — 304 с. 
2. Мирошниченко Ю . Collection-скоринг поможет эффективно работать в 
периоды кризиса //Аналитический банковский журнал. –М.: Финансы и 
кредит, 2009. – № 2– С. 43-47. 
3. Погорл ецкая Ю.И. Кредитный скоринг в системе банковского риск-
менеджмента. –СПб.:Изд-во СПбГУ, 2009. – 124 с. 
4. Ал ёшин В.А., Р удаева О.О. Кредитный скоринг как инструмент 
повышения качества банковского рискменеджмента в современных условиях 
//Банковское дело. – Москва, 2014. – №2–3. – С. 27-30.
5. Бонд аренко С .В., Сапр унова Е.А. Сравнительный анализ методик 
оценки кредитоспособности заемщика //Финансы и кредит. – Москва, 2015. – 
№24. – С. 42-47. 
6. Ильясов С.М. Об оценке кредитоспособности банковского заемщика 
/Деньги и кредит. – Москва, 2015. – №9. – С. 28-34. 
7. Bruck J . On the convergence properties of the Hopfield model /In Proc. of the 
IEEE, 78(10), 1990, 1579-1585. 
8. Hopfield J .J . Neural networks and physical systems with emergent collective 
computational abilities /In Proc. of the National academy of Sciences of the USA, 
79, 2554-2558. 
9. Lendari s G.G., Mathia K., S aeks R. Linear Hopfield networks and 
constrained optimization /IEEE Transactions on Systems, Man, and Cybernetics