Aplikace pro doporučování na základě finančních akcí

Abstract

V bakalářské práci je řešen problém předpovídání budoucích výdajů klientovi, na základě jeho uplynulé finanční historie. Cílem práce je implementovat toto předpovídání zejména pomocí umělé inteligence a vytvořit webové rozhraní, které by zobrazovalo výsledky předpovědí. Celá aplikace je vytvořena pomocí třívrstvé architektury, kde frontend je tvořen frameworkem Angular, backend pomocí .NET Core frameworku a databáze je založená na Microsoft SQL. Umělá inteligence je implementována jako několik po sobě jdoucích vrstev neuronů, přičemž vrstvy jsou uspořádány tak, že množství neuronů se v každé další vrstvě postupně snižuje na jeden jediný, který dává informaci, jestli se bude transakce opakovat, či nikoli. Aby se posléze dalo vyhodnotit, zda se transakce opravdu opakovala, byly porovnávány velikosti transakcí po jednotlivých týdnech, a ty, částkou si nejvíce podobné, byly označeny za opakující se. Toto předpovídání bylo dále doplněno o předpovídání na základě průměrů a porovnávání velikosti jednotlivých částek, z uživatelem nahrané transakční historie.

In the bachelor thesis is solved the problem of forecasting future transactions to the client, based on his past financial history. The aim of this work is to implement this prediction especially using artificial intelligence and to create a web interface that would display the results of predictions. The whole application is created using a three-tier architecture, where the frontend consists of the Angular framework, the backend is using the .NET Core framework and the database is based on Microsoft SQL. Artificial intelligence is implemented as several successive layers of neurons, the layers being arranged such that the amount of neurons in each additional layer is gradually reduced to one, which gives information whether the transaction will repeat or not. Then, in order to evaluate whether the transaction was actually repeating, the size of the transactions was compared on a week-by-week basis, and those with the most similar amount were identified as recurring. This prediction was further supplemented by averaging based on a comparison of the size of individual amounts from the user's imported transaction history.