خانه » پروژه » مدیریت و حسابداری » مقاله طراحی و تبیین مدل رتبه بندی اعتباری مشتریان
مقاله طراحی و تبیین مدل رتبه بندی اعتباری مشتریان

مقاله طراحی و تبیین مدل رتبه بندی اعتباری مشتریان

طراحی و تبیین مدل رتبه بندی اعتباری مشتریان با استفاده از شبکه‌های عصبی
فهرست مطالب
فصل اول
کلیات تحقیق ۱
مقدمه ۲
۱-۱ بیان مسأله ۴
۱-۲ سوال‌های تحقیق ۷
۱-۳ اهمیت و ضرورت موضوع تحقیق ۷
۱-۴ اهداف تحقیق ۸
۱-۵ فرضیات تحقیق ۹
۱-۶ چارچوب نظری تحقیق ۱۰
۱-۷ متغیرهای پژوهشی ۱۲
۱-۸ سابقه و ضرورت انجام تحقیق (پیشینه تحقیق) ۱۳
۱-۹ کاربردهای تحقیق ۱۵
۱-۱۰ نوع روش تحقیق ۱۶
۱-۱۱ محدوده تحقیق ۱۶
۱-۱۲ روش نمونه گیری و تعیین حجم نمونه ۱۷
۱-۱۳ ابزار گردآوری اطلاعات ۱۸
۱-۱۴ محدودیت‌های تحقیق ۱۸
۱-۱۵ روش تجزیه و تحلیل اطلاعات ۱۹
۱-۱۶ برخی تعاریف، مفاهیم و اصطلاحات ۱۹
فصل دوم ۲۲
ادبیات تحقیق ۲۳
مقدمه ۲۴
بخش اول ۲۵
آشنایی با بانک سامان و انواع تسهیلات ۲۵
آشنایی با بانک سامان ۲۶
چارت خدمات بانک سامان ۲۹
انواع سپرده‌های سرمایه گذاری ۲۹
سپرده کوتاه مدت ۲۹
سپرده کوتاه مدت ویژه ۳۰
سپرده بلند مدت ۳۰
سپرده اندوخته ۳۱
سپرده ارزی ۳۲
تسهیلات حقوقی ۳۲
ابزارهای اعتباری ۳۳
انواع ابزارهای اعتباری ۳۳
ضوابط و معیارهای اساسی اعطای تسهیلات ۳۴
۱- قابلیت اعتماد و اطمینان ۳۷
۲- قابلیت و صلاحیت فنی ۳۹
۳- ظرفیت مالی و کشش اعتباری ۴۰
۴- وثیقه (تامین) ۴۲
بخش دوم ۴۷
مبانی نظری رتبه بندی اعتبار ۴۷
مقدمه ۴۸
۲-۱ مروری بر تاریخچه رتبه بندی اعتبار ۵۰
۲-۲ رتبه بندی اعتبار ۵۲
فرآیند تصمیم گیری اعطای تسهیلات ۵۳
۳-۲ سیستم‌های رتبه بندی اعتبار ۵۸
۴-۲ مدل‌های رتبه بندی اعتباری ۵۹
۵-۲ مزایا و محدودیت‌های مدل رتبه بندی اعتبار ۶۰
– محدودیت‌ها ۶۰
بخش سوم ۶۲
مبانی نظری شبکه عصبی ۶۲
مقدمه ۶۳
۳-۱ هوش مصنوعی ۶۵
۳-۲ مروری بر تاریخچه شبکه عصبی ۶۷
۳-۳ شبکه‌های عصبی مصنوعی ۷۰
۳-۴ اساس بیولوژیکی شبکه عصبی ۷۵
۳-۵ مقایسه بین شبکه‌های عصبی مصنوعی و بیولوژیکی ۷۹
۳-۶ مدل ریاضی نرون ۸۰
۳-۷ ویژگی‌ها و خصوصیات شبکه‌های عصبی مصنوعی ۸۲
۳-۷-۱ قابلیت یادگیری ۸۲
۳-۷-۲ پردازش اطلاعات به صورت متنی ۸۳
۳-۷-۳ قابلیت تعمیم ۸۳
۳-۷-۴ پردازش موازی ۸۴
۳-۷-۵ مقاوم بودن ۸۴
۳-۸  مشخصه‌های یک شبکه عصبی ۸۴
۳-۸-۱ مدل‌های محاسباتی ۸۵
۳-۸-۲ قواعد یادگیری ۸۸
۳-۸-۳ معماری شبکه ۹۰
۳-۹ عملکرد شبکه‌های عصبی مصنوعی ۱۰۱
۳-۱۰ محدودیت‌های شبکه عصبی ۱۰۳
۳-۱۱ کاربرد شبکه‌های عصبی در مدیریت ۱۰۴
بخش چهارم ۱۱۰
خلاصه مقاله‌ها ۱۱۰
بخش پنجم ۱۲۴
نتیجه گیری ۱۲۴
فصل سوم ۱۲۹
روش شناسی تحقیق ۱۲۹
۳-۱ مقدمه ۱۳۰
۳-۲ روش تحقیق ۱۳۱
۳-۳ جامعه آماری ۱۳۲
۳-۴ نمونه آماری ۱۳۲
۳-۵ فرضیات تحقیق ۱۳۳
۳-۶ محدوده تحقیق ۱۳۵
۳-۷ جمع آوری داده‌ها ۱۳۶
۳-۸ تعیین حجم نمونه ۱۳۷
۳-۹ ابزار گردآوری داده‌ها ۱۳۸
۳-۱۰ روش تجزیه و تحلیل داده‌ها ۱۳۸
۳-۱۱ فرآیند تحقیق ۱۴۱
فصل چهارم ۱۵۳
یافته‌های تحقیق ۱۵۳
۴-۱ مقدمه ۱۵۴
۴-۴-۱ آماده سازی داده‌های ورودی جهت رتبه سنجی مشتریان با کمک شبکه عصبی آماده سازی داده‌ها ۱۵۴
معماری شبکه‌ ۱۵۵
فصل پنجم ۱۶۲
نتیجه گیری و پیشنهادها ۱۶۲
نتیجه گیری ۱۶۳
پیشنهادات ۱۶۸
فهرست اشکال
شکل (۲-۱) : ساختار نورون ۷۷
شکل (۲-۲) : اولین مدل دقیق سلول عصبی ۸۱
شکل (۳-۳) : معماری شبکه ۹۱
شکل (۳-۴) : پرسپترون چند لایه ۹۲
شکل (۳-۵) : نحوه تشکیل محدوده‌های فضا توسط تعداد مختلف لایه‌های پرسپترون ۹۵
شکل (۳-۶) : شبکه‌ هاپفیلد ۱۰۱
فهرست جداول
جدول (۳-۱) : توابع محرک با علائم قرار دادی ۸۷
جدول (۴-۱) : مقایسه نتایج میانگین خطا در مدل A 157
جدول (۴-۲) : نتایج اجرای آموزش مدل A 157
جدول (۴-۳) : مقایسه نتایج میانگین خطا  درمدل B 158
جدول (۴-۴) : نتایج اجرای آموزش مدل B 158
جدول (۴-۵) جدول مقایسه نتایج ۱۵۹
جدول (۴-۶) نتایج اجرای مدلA 160
جدول (۴-۷) نتایج اجرای مدل B 160
پیوست :
پیوست الف : جداول و نمودارهای مربوط به مدل A 170
پیوست ب :‌جداول و نمودارهای مربوط به مدل B 17
چکیده
بازار اعتبارات مصرفی در ایران با تشکیل بانکهای خصوصی رونق یافته است. فعالیت اصلی در این بازار اعطای تسهیلات مصرفی به متقاضیان بوده و این امر نیاز به اعتبار سنجی متقاضیان تسهیلات جهت کاهش ریسک اعتباری دارد. امروزه سیستمهای هوشمند کاربردهای فراوانی در امور مختلف بانکی و مالی پیدا کرده‌اند. بررسی و تصویب اعتبارات یکی از کاربردهای شبکه عصبی است. پژوهش حاضر با هدف ارائه مدل مناسب بررسی رفتار اعتباری مشتریان تسهیلات مصرفی وام مضاربه با استفاده از شبکه های عصبی جهت رتبه بندی اعتباری شکل گرفته است. به دنبال این هدف ابتدا عوامل مهم تاثیر گذار بر رفتار اعتباری مشتریان شناسایی گردید و سپس مشتریان به سه دسته خوش حساب، بد حساب وسر رسید گذشته تقسیم شدند.
در مرحله بعد مدلهای شبکه عصبی پس از طراحی؛ با داده‌های آموزشی؛ آموزش داده شده و سپس با داده‌های آزمایشی مورد آزمایش قرار گرفتند.
نتایج بدست آمده نشان می‌دهد که رفتار اعتباری مشتریان با استفاده از مدلهای رتبه بندی شبکه‌های عصبی قابل پیش بینی است.
کلمات کلیدی
شبکه عصبی؛ رتبه بندی اعتباری؛ تسهیلات
فصل اول
کلیات تحقیق
مقدمه
علم تصمیم گیری همواره با انسان همراه بوده و با ظهور سازمان‌ها، شرکت‌ها و خاصه با تغییرات پرشتاب محیطی توسعه فراوان یافته است. بسیاری از محققان تلاش و همت خویش را در این حوزه متمرکز نموده‌اند تا الگوهای مناسبتر و دقیق‌تری را برای بهبود نظام‌های تصمیم گیری معرفی نموده و تصمیم گیران را با توفیق بیشتری مواجه سازند.
در اعطای تسهیلات که یکی از عمده‌ترین فعالیت‌های بانک‌ها و موسسات اعتباری است برای تصمیم گیری صحیح، باید درجه اعتبار و قدرت بازپرداخت اصل و سود تسهیلات دریافت کننده را تعیین نمود تا احتمال عدم برگشت اصل و سود تسهیلات اعطایی، یعنی ریسک درجه اعتبار، کاهش یابد. یکی از روش‌های کاهش این ریسک، طراحی نظام تعیین درجه اعتباری برای دریافت کنندگان تسهیلات است، و کانون این نظام، مدل رتبه بندی یا ارزیابی اعتباری است .
با استفاده از چنین مدلی، رتبه یا درجه اعتباری متقاضی مشخص شده و بر اساس آن راجع به اعطای تسهیلات یا عدم اعطا، تصمیم گیری می شود. در حال حاضر بهره برداری از سیستم‌های هوشمند به منظور بهینه سازی و پیش بینی به عنوان یکی از ابزارهای پیشرفته در حوزه‌های مختلف علوم، کاربرد فراوان دارد. شبکه‌های عصبی به عنوان یک سیستم هوشمند در عرصه‌های مختلف مالی از جمله تصویب اعتبارات، کاربرد دارند.
در تصویب اعتبارات، ارزیابی اعتبار مشتریان یکی از موارد بسیار پیچیده در فعالیت‌های مالی به شمار می‌رود .
به نظر می‌رسد جستجو برای روابط عملی دیگر اهمیت خود را از دست داده است. آنچه اهمیت دارد این است که حرکت و رابطه مجموعه‌ای از متغیرها را با مجموعه‌ای دیگر دریابیم. برای اینکار مدل شبکه عصبی مصنوعی به مراتب از مغز فراتر می‌رود که در یک آن نمی‌تواند همه چیز را با هم ببینید .
ارزیابی اعتباری مشتریان می‌تواند توسط کارشناسان خبره و ارزیاب‌ها انجام پذیرد، لیکن این امر اغلب به علت کمبود وقت، هزینه بالا، کمبود تعداد افراد خبره و تعداد موارد ارزیابی، مقرون به صرفه نیست. با استفاده از فن آوری اطلاعات و ارتباطات که تحول عظیمی در سیستم بانکداری بوجود آورده و ضمن ایجاد فرصت‌های نوین، چالش‌های جدیدی را نیز با خود به ارمغان آورده است، می‌توان مدل‌های ارزیابی اعتباری را طراحی کرد که با استفاده از روش‌های علمی به جای قضاوت‌های ذهنی در زمان کم و با هزینه مناسب، حساب‌های خوب (مشتریان خوش حساب) و حساب‌های بد (مشتریان بد حساب) را از هم تفکیک کرد.
۱-۱ بیان مسأله
اعطای تسهیلات بانکی از لحاظ اقتصادی اهمیت زیادی دارد. زیرا با افزایش کمی سرمایه، باعث رشد و توسعه اقتصادی می‌شود .  اما در اعطای تسهیلات، بانکها با خطر بزرگی که به آن ریسک اعتباری می‌گویند مواجه هستند. این ریسک علت مواجهه بانک‌ها با بحران‌های عمده مالی است. ریسک اعتباری را می‌توان احتمال عدم بازپرداخت وام از طرف متقاضی در نظر گرفت .  که بایستی مدیریت گردد. برای مدیریت ریسک اعتباری از روش‌های مختلفی می‌توان استفاده کرد یکی از روش‌ها طراحی نظام تعیین درجه اعتباری برای دریافت کنندگان تسهیلات است.
هدف از این تحقیق این است که در بازار اعتبارات با طراحی و استقرار سیستم اعتبار سنجی مشتریان، به دنبال شناسایی الگوهای رفتاری مشتریان و در نتیجه ایجاد امکان پیش بینی رفتار است. ارزیابی اعتبار مشتریان زمینه بسیار پیچیده‌ای در فعالیت‌ها به حساب می‌آید. تعداد عوامل و پیچیدگی روابط مالی، اقتصادی و رفتاری، ارزیابی اعتبار را بسیار دشوار می‌سازد. از طرفی امر ارزیابی اغلب باید در محدوده زمانی کوتاهی صورت پذیرد زیرا طولانی شدن فرآیند ارزیابی موجب تاخیر در عملیات و در نهایت موجب افزایش هزینه‌ها خواهد شد. از طرف دیگر عدم دقت احتمالی در ارزیابی می‌تواند به تصمیمات اشتباه و در نهایت زیان‌های گزاف منجر گردد. محدودیت زمانی و ضرورت دقت در ارزیابی، پیچیدگی موضوع را دو چندان می‌کند .
سیستم‌های رتبه بندی اعتباری را می‌توان به سه دسته تقسیم کرد .
۱ـ‌ سیستم‌های قضاوتی
۲ـ رتبه بندی بر مبنای تکنیک های آماری
۳ـ سیستم‌های هوشمند
سیستم‌های قضاوتی بسیار کند و پرهزینه هستند. عموماً زمانی که تعداد تقاضاها بالا، و تعداد خبرگان کم می‌باشد این سیستم‌ها کارآیی لازم را ندارند، در مورد روش‌های آماری نیز هر یک از تکنیک‌هایش فرض‌های خاص را می‌طلبند. بدیهی است با عدم وجود یا کمرنگ شدن پیش فرض‌ها، دقت و صحت فزونی‌ها مورد تردید قرار می‌گیرد. وقتی قوانین تصمیم گیری واضح و اطلاعات معتبر می‌باشند سیستم‌های خبره کمک بزرگی به حل مسائل می‌کنند. اما اغلب موسسات اعطا کننده وام، شفاف نیست و اطلاعات اصلاً وجود نداشته و یا بخشی از اطلاعات صحیح نیست، در این حال شبکه‌های عصبی گزینه بسیار مناسبی هستند. در بازار اعتبارات ایران یکی از مشکلات اعطای تسهیلات، ضوابط اخذ وثیقه و یا آورده نقدی از طرف متقاضیان استفاده از اعتبارات و تسهیلات شبکه بانکی است. تجزیه و تحلیل اطلاعات نشان می‌دهد که درصد بیشتری از افراد مورد مطالعه،‌ ضوابط اخذ وثیقه و انعطاف ناپذیر بودن معیارهای ارزیابی جهت جلوگیری از سوخت شدن اصل و سود تسهیلات را یکی از مشکلات دسترسی به تسهیلات و اعتبارات اعطایی سیستم بانکی،‌می‌دانند. همچنین درصد بالایی از پاسخ دهندگان، طولانی بودن زمان ارزیابی‌ها را مشکل آفرین بیان نموده‌اند .
با توجه به شرایط بازار اعتبارات و با در نظر گرفتن انواع سیستم‌های رتبه بندی اعتباری و عملکرد مناسب شبکه‌های عصبی مساله اصلی این تحقیق طراحی مدلی با کمک شبکه عصبی است که با استفاده از آن بتوان با حداقل خطاها و در کمترین زمان ممکن نسبت به اعطای تسهیلات در بانک اقدام شود.
این مدل در صورتی می‌تواند از کارایی لازم برخوردار گردد که قادر باشد پاسخ مناسبی را برای سوالات تحقیق دهد.
۱-۲ سوال‌های تحقیق
۱ـ آیا با استفاده از مختصات مشتریان اعتباری می‌توان مشتریان اعتباری بانک را رتبه بندی نمود؟
۲ـ آیا با استفاده از شبکه‌های عصبی مصنوعی می‌توان مشتریان اعتباری بانک را رتبه بندی نمود؟
۱-۳ اهمیت و ضرورت موضوع تحقیق
ضرورت سیستم رتبه بندی زمانی اهمیت لازمه را خواهد داشت که از معیار مناسبی   برای ارزیابی مشتریان قبل از اعطای تسهیلات برخوردار باشد، به گونه‌ای که تسهیلات بانکی با استفاده از این سیستم به مشتریان مطلوب تخصیص یابد. از دیدگاه سیستم بانکداری  مشتری مطلوب به مشتریانی اطلاق می‌شود که ضمن هزینه نمودن تسهیلات دریافتی در بخش‌های مختلف اقتصادی بتواند به موقع تسهیلات دریافتی را به سیستم بانکی بازگرداند. عدم بازپرداخت به موقع تسهیلات بیانگر آن است که دریافت کننده تسهیلات در بهره برداری از تسهیلات دریافتی از موفقیت چندانی برخوردار نبوده است .
به بیان ساده تر بازده حاصل از به کارگیری تسهیلات از سود بانکی آن کمتر بوده از این رو در موعد بازپرداخت با مشکلاتی مواجه بوده است. در این حالت بانک ناچار است در حد استقراض از منابع دیگر از جمله بانک مرکزی و با نرخی فراتر از نرخ سپرده گیری خود برای جبران کمبود نقدینگی باشد.
به بیان دیگر تطابق زمانی سررسید دارایی و بدهی‌ها بازپرداخت تسهیلات با توجه به ترکیب زمانی منابع و برنامه ریزی در جهت اجرای سیاست‌های پرداخت تسهیلات در مورد موسسات مالی مانند بانک‌ها سبب کاهش ریسک و تسریع در تحقق اهداف پیش‌بینی شده خواهد شد.  لذا با توجه به عصر فن آوری و وجود بانک‌های پیشرفته وقت آن رسیده است که بانکها از سیستم‌های پیشرفته جهت بهبود وضعیت اعطای تسهیلات و رتبه بندی اعتباری مشتریان خود استفاده نمایند .
اگر تخصیص اعتبار به صورت بهینه انجام گیرد احتمال بازپرداخت درست و به موقع افزایش یافته و امکان اعتباردهی نیز بیشتر می‌شود.
۱-۴  اهداف تحقیق
هر تحقیقی برای دستیابی به هدف و منظور خاصی صورت می‌پذیرد. اهداف این تحقیق را می‌توان به شرح زیر بیان نمود.
۱ـ‌شناسایی مختصات اساسی مشتریان که در تعیین رتبه بندی آنها موثر است.
۲ـ طراحی مدلی برای ارزیابی رتبه بندی مشتریان با استفاده از شبکه عصبی مصنوعی
۳ـ کاهش ریسک اعتباری در بانک و به تبع آن استفاده مطلوب از منابع و تسهیلات بانکی
۱-۵  فرضیات تحقیق
طراحی مدلی برای رتبه‌بندی اعتباری مشتریان به عنوان هدف اصلی پژوهش قلمداد می‌شود. از این رو فرضیات تحقیق نیز در این راستا و با توجه به سوالات تحقیق به صورت زیر تدوین گردید.
فرضیه اول: با استفاده از مختصات مشتریان اعتباری (شغل، درآمد،…) می‌توان مشتریان اعتباری بانک را رتبه بندی نمود.
فرضیات فرعی :
۱-بین میزان وثیقه متقاضی تسهیلات و رتبه بندی اعتباری ( مشتریان خوش حساب ، سررسید گذشته و بد حساب ) آنها رابطه معنی داری وجود دارد.
۲-بین تحصیلات متقاضی تسهیلات و رتبه بندی اعتباری( مشتریان خوش حساب ، سررسید گذشته و بد حساب ) آنها رابطه معنی داری وجود دارد.
۳-بین درآمد متقاضی تسهیلات و رتبه بندی ( مشتریان خوش حساب ، سررسید گذشته و بد حساب )آنها  رابطه معنی داری وجود دارد.
۴-بین سابقه اعتباری متقاضی تسهیلات و رتبه بندی ( مشتریان خوش حساب ، سررسید گذشته و بد حساب )آنها رابطه معنی داری وجود دارد.
۵-بین شغل متقاضی تسهیلات و رتبه بندی ( مشتریان خوش حساب ، سررسید گذشته و بد حساب ) آنها رابطه معنی داری وجود دارد.
فرضیه دوم: با استفاده از شبکه‌ عصبی پرسپترون چند لایه می‌توان مشتریان اعتباری بانک را رتبه بندی نمود.
۱-۶  چارچوب نظری تحقیق
در صنعت بانکداری با ریسک‌های مختلفی مواجه هستیم که یکی از آنها ریسک اعتباری یا ریسک عدم پرداخت است. سیستم اعتباری بانک باید بتواند از به تعویق افتادن تسهیلات جلوگیری کند این سیستم باید به این نکات توجه داشته باشد.
۱ـ پرداخت تسهیلات ارزی و ریالی متناسب با ساختار منابع با ریسک
۲ـ پرداخت تسهیلات به بخش‌های گوناگون اقتصاد تا چنانچه در صنعتی رکود ایجاد شد بانک دچار مشکل نشود.
۳ـ توزیع جغرافیایی تسهیلات در سطح کشور تا ریسک در منطقه خاص و پیشامدهایی مثل حوادث طبیعی و غیر طبیعی، قدرت مانور بانک را کاهش ندهد تا بانک قدرت تصمیم گیری داشته باشد.
۴ـ توزیع زمانی پرداخت تسهیلات (کوتاه مدت، میان مدت، بلند مدت) با توجه به ساختار منابع، این سیستم باید قدرت خود کنترلی، یادگیری، قابلیت بهبود، کسب اطلاعات و قابلیت دقت نیز داشته باشد تا بتواند خودش را با شرایط جدید وفق دهد و رتبه بندی اعتباری را به درستی انجام دهد.
شبکه‌های عصبی با ساختن نورون‌های مصنوعی و کنار هم قرار دادن آنها به شکل موازی، ابداع الگوریتم‌های مناسب یادگیری و ارائه الگوها از توانایی پردازش اطلاعات سریع و دقیق بالایی برخوردارند و می‌توانند برخلاف سایر متدهای آماری، هوشمند عمل کرده و به یادگیری فرآیندها بپردازند تا بتوانند در شرایط جدید و از قبل تعیین نشده نیز بهترین نتایج را در پی داشته باشند. به علت برتری آنها نسبت به سایر مدل‌ها هم اکنون در نقاط مختلف دنیا از آنها استفاده می‌شود. شبکه‌های عصبی می‌توانند برخلاف مدل‌های رگرسیونی که توانایی شناسایی روابط غیر خطی را ندارند، مثال‌ها و الگوها را نیز به عنوان اطلاعات ورودی دریابند و با کمک قانون یادگیری شان با تغییر شرایط، موقعیت جدید و پارامترهای ایجاد شده را درک کرده و نتایج خود را بهبود بخشند. این شبکه‌ها می‌توانند از میان انبوهی از اطلاعات ورودی که از شبکه‌های مختلف دریافت می‌کنند بهترین پارامترها را شناسایی کنند تا بهترین پیش بینی را ارائه دهند. به همین علت پیش بینی وضعیت اعتباری مشتریان با کمک این مدل‌ها به راحتی امکان پذیر است.
۱-۷  متغیرهای پژوهشی
با توجه به ماهیت تحقیق در این پژوهش متغیرهای مستقل و وابسته به طور کامل از همدیگر تفکیک شده است.
در این تحقیق متغیرهای مستقل عبارتند از:
ـ شغل
ـ تحصیلات
ـ درآمد
ـ ارزش وثیقه
ـ سابقه اعتباری
با استفاده از سیستم ۵C ( اولین روش تحلیل اعتباری روش ۵c می باشد که رایج ترین روش نیز می باشد. در این روش یک متقاضی اعتبار از ۵ زاویه شخصیت  ، ظرفیت  ، سرمایه  ، وثیقه  و شرایط  مورد تحلیل و بررسی قرار می گیرد ) شناسایی شده اند ، متغیرهای فوق به عنوان متغیرهای ورودی در مدل شبکه عصبی مصنوعی مورد استفاده قرار می گیرند.
متغیرهای وابسته تحقیق همان خروجی مدل شبکه عصبی می‌باشد که با استفاده از متغیرهای مستقل برآورد می‌گردند. این متغیرها به این شرح می‌باشند:
ـ مشتریان خوش حساب
ـ مشتریان سررسید گذشته
ـ مشتریان بدحساب
۱-۸  سابقه و ضرورت انجام تحقیق (پیشینه تحقیق)
مدلسازی نرون برای نخستین بار در سال ۱۹۴۳ توسط وارن مک کلوث  فیزیولوژیست اعصاب، والترپیتز   منطقدان صورت گرفت تمامی مکتب شبکه‌های عصبی از همین جا آغاز شد. بعضی از پیش زمینه‌های شبکه‌های عصبی را می‌توان به اوایل قرن ۲۰ و اواخر قرن ۱۹ برگرداند. در این دوره کارهای اساسی توسط دانشمندانی چون هرمان فون هلمهالتز ، ارنست ماخ  و ایوان پاولوف  صورت پذیرفت. این کارهای اولیه عموماً بر تئوری‌های کلی یادگیری و شرطی تاکید داشتند و اصلا به مدل‌های مشخص ریاضی و عملکرد نورون‌های عصبی اشاره نداشتند.
دیدگاه جدید شبکه‌های عصبی در دهه قرن بیستم شروع شد زمانی که وارن مک کلوث و والتر پیتز نشان دادند که شبکه‌های عصبی در اصل می‌توانند هر تابع حسابی و منطقی را محاسبه نمایند. کار این افراد را می‌توان نقطه شروع حوزه علمی شبکه‌های عصبی مصنوعی نامید.
نخستین کاربرد عملی شبکه‌های عصبی اواخر دهه ۵۰ قرن ۲۰ مطرح شد زمانی که روزنبلات و همکارانش شبکه‌ای ساختند که قادر بود الگوها را از هم شناسایی نماید در همین زمان بود که برنارد ویدرو در سال ۱۹۶۰ شبکه عصبی تطبیقی آدلاین  را با قانون یادگیری جدید مطرح نمود. پیشرفت شبکه‌های عصبی تا دهه ۷۰ قرن بیستم ادامه یافت که در خلال دهه ۸۰ رشد تکنولوژی میکروپرسسورها روند صعودی یافت و تحقیقات روی شبکه‌های عصبی افزایش یافت و ایده‌های جدید مطرح شد .
ایده استفاده از مکانیسم‌های تصادفی جهت توضیح عملکرد یک طبقه وسیع از شبکه‌های برگشتی که می‌توان آنها را درجهت ذخیره سازی اطلاعات استفاده نمود. ایده بعدی که کلید توسعه شبکه‌های عصبی، الگوریتم پس انتشار بود که توسط راملهارت مک لند ارائه شد. او اولین استفاده کننده از آنالیز ممیزی برای رتبه بندی اعتباری بود که شاید بتوان او را بنیانگذار سیستم‌های رتبه بندی امروز دانست. با آمدن کارت‌های اعتباری در اواخر دهه ۶۰ اهمیت اعتباردهی برای بانک‌ها و دیگر ارائه کنندگان کارت‌های اعتباری مشخص شد. همچنین مدل‌های طبقه بندی اعتبارات در بانک چیس ـ مانهتان  در سال ۱۹۹۰ طراحی شد. این بانک که از گذشته از فنون کمّی برای کمک به مدیران ارشد اعطای تسهیلات استفاده می‌کرد در این سال با طراحی مدل کردیت ویو  ، پلم   کوشید تا براساس سیستم عصبی مصنوعی کار طبقه بندی حساب مشتریان اعتباری را نظم و شتاب بیشتری بخشد  .
فرمت : ورد | صفحات:۱۸۰
********************
نکته : فایل فوق قابل ویرایش می باشد
برای خرید اطلاعات خود را وارد کنید
  • کلیه پرداخت های سایت از طریق درگاه بانک سامان انجام می گیرد.هر مرحله از خرید می توانید مشکل خود را با پشتیبان و فرم تماس با ما در جریان بگذارید در سریعترین زمان ممکن مشکل برطرف خواهد شد
  • پس از پرداخت وجه ، فایل محصول هم قابل دانلود می باشد و هم به ایمیل شما ارسال می گردد .
  • آدرس ایمیل را بدون www وارد نمایید و در صورت نداشتن ایمیل فایل به تلگرام شما ارسال خواهد شد .
  • در صورت داشتن هرگونه سوال و مشکل در پروسه خرید می توانید با پشتیبانی سایت تماس بگیرید.
  • پشتیبان سایت با شماره 09383646575 در هر لحظه همراه و پاسخگوی شماست
  • 0

    اشتراک گذاری مطلب

    راهنما

    » فراموش نکنید! بخش پشتیبانی مقاله آنلاین ، در همه ساعات همراه شماست

    اطلاعات ارتباطی ما پست الکترونیکی: Article.university@gmail.com

    تماس با پشتیبانی+ ایدی تلگرام 09383646575

    برای سفارشتان از سایت ما کمال تشکر را داریم.

    از اینکه ما را انتخاب نمودید متشکریم.

    معادله فوق را حل نمایید *

    تمام حقوق مادی , معنوی , مطالب و طرح قالب برای این سایت محفوظ است