teacherjournal.ru的 10 大竞争对手

1urok.ru

современный урок - всероссийский профессиональный журнал для педагогов с бесплатной публикацией статей и ежегодными всероссийскими конкурсами проводимыми при поддержке региональных органов управления образования.

urok.1sept.ru

Обратная связь со Службой поддержки Первого сентября.

prodlenka.org

Вебинары для педагогов и воспитателей проводятся Образовательным СМИ «Продленка.орг». Доступ к вебинарам бесплатный и открыт всем зарегистрированным пользователям портала.

multiurok.ru

мультиурок – образовательная площадка, на которой каждый учитель может бесплатно получить собственный сайт, делиться опытом, общаться и удобно следить за интересными публикациями своих коллег.

ped-kopilka.ru

воспитание и развитие детей, организация досуга для дошкольников и школьников, внеклассная работа со школьниками, развитие творческих способностей ребенка, помощь классным руководителям и воспитателям. это образовательный портал, на котором можно получить много интересной и полезной информации, а также обменяться с коллегами своим педагогическим опытом и мастерством

maam.ru

maam.ru для воспитателей детских садов, школьных учителей и педагогов: публикации в сми, методические разработки, конспекты, интересные поделки, сценарии детских праздников, игры для дошкольников и школьников, примеры оформления, презентации, стенгазеты, всё о развитии и воспитания детей в детских садах, школах и дома.

znanio.ru

Скачать материалы для классного часа "Сила выбора: как сказать «нет». Международный день борьбы с наркоманией и наркобизнесом" и получить свидетельство организатора для портфолио.

cyberleninka.ru

The banking system is a key sector of the economy and often faces various types of risks. This article focuses on credit risks, which are the main source of financial losses for credit institutions, including banks. Based on real data, a scoring model was developed in this study to assess and optimally manage credit risk, using the XGBoost machine learning algorithm. The model returns score values in the range of 300–850. Quality metrics such as ROC AUC, PR AUC, Precision, Recall, and F1 score were evaluated for the developed model. Within the scope of the research, a new approach was proposed to assess the sensitivity of a machine learning model to changes in variable values. The approach is based on the concept of entropy. The results show that the use of machine learning models makes it possible to assess and optimally manage credit risk, thereby reducing potential losses. Moreover, the proposed new approach, when applied together with the well-known SHAP method, allows for a deeper evaluation of the model and its sensitivity to changes in variable values.