رتبه بندی اعتباری مشتریان بوسیله شبکه‌های عصبی

رتبه بندی اعتباری مشتریان بوسیله شبکه‌های عصبی

پایان نامه شبکه های عصبی (بانک سامان )

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.امروزه صنعت اعتبار نقش مهمی در اقتصاد کشور ها ایفاء می‌‌ نماید. جهانی شدن اقتصاد و ورود کانال های جدید خدماتی نظیر اینترنت، امکان جست وجوی اعتباردهنده بدون محدودیت زمانی و مکانی را برای مشتریان اعتبار فراهم کرده است. به همین دلیل، مؤسسات اعتباردهنده تمایل یافته اند تا فعالیت خود را به دیگر کشور های جهان گسترش دهند.از یک سو، افزایش تقاضای اعتبار، افزایش رقابت و به وجود آمدن کانال های جدید در فضای اقتصاد نوین، فرصت های جدیدی برای مؤسسات اعتباردهنده به وجود آورده و از سوی دیگر، آنها را نیازمند ابزار ها و روش های جدیدی نموده است. این مسأله، مؤسسات مزبور را به سمت تجدیدنظر، توانمندسازی و ورود فن آوری های جدید در فرآیند های مدیریت اعتبار سوق داده است.
در این میان، مدل های رتبه بندی اعتباری، بخش عمده ای از اطلاعات مورد نیاز مؤسسات اعتباردهنده در مدیریت مؤثر اعتبارات را فراهم می‌‌ کنند. این مدل ها در پیش بینی اندازه ریسک یک متقاضی اعتبار به کار برده شده و طیف وسیعی از انواع روش های کیفی و کمی را در بر می‌‌ گیرند. بانک ها و مؤسسات مالی به دو صورت می‌‌ توانند از این مدل ها استفاده کنند. روش اول که در حال حاضر در بانک های غربی استفاده می‌‌ شود، رتبه بندی هایی است که توسط مؤسسات خارج از بانک انجام شده و به صورت درجه ریسک برای هر شرکت اعلام می‌‌ شود. سه مؤسسه اِس اَند پی ) S P(، فیچ ) Fitch( و مودیز ) Moody s(، معتبرترین مؤسساتی هستند که در سطح بین المللی، ریسک اعتباری شرکت های مختلف را اندازه گیری و به صورت درجات مخصوص ارایه می‌‌ دهند. به دلیل سابقه طولانی و تیم کارشناسی مجّربی که این مؤسسات در اختیار دارند، رتبه بندی های آنها در سطح بین المللی پذیرفته شده و قابل اعتماد است. لذا اکثر مؤسسات اعتبار دهنده از آن استفاده می‌‌ کنند.
کلمات کلیدی
شبکه عصبی؛ رتبه بندی اعتباری؛ تسهیلات

شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایدهٔ اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کند.
با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد.

 

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 .

فصل اول – معرفی JIT

    تاریخچه وتکامل تولید بهنگام

    تعریف نظام بهنگام

    نظام بهنگام دریک نگاه

    مبانی تولید بهنگام

    اجزای تولید بهنگام

    اهداف تولید بهنگام

    مزایاومحدودیتهای JIT

    منطق اجرایJIT

    پیش نیازهای یک برنامه JIT

    برنامه ریزی نظام تولید بهنگام

    فصل دوم – اجرای برنامه JIT

    مقدمه

    ۱- ایجاد یک استراتژی اجرایی

    ۲- یک برنامه عملیاتی برای اجرا

     ۱-۲-وقتی فعالیتهای اجرای JITتکمیل می شود

       ۲-۲-چگونه فعالیتهای اجرایی JITانجام می شود

    ۳- سیستمهای جمع آوری وسنجش داده ها

    ۴- پروژه های آزمایشی(راهنما)

    ۵- بحث درمورد مقاومت کارکنان واتحادیه ها

          ۱-۵- مقاومت کارکنان

          ۲-۵- اتحادیه ها

    ۶- فرایند اجرای JIT

    فصل سوم – کنترل JIT

    کنترل تولیددرنظام بهنگام

    سیستم کانبان

    وظایف کانبان تولید یکنواخت

    کاهش زمان عملیات وزمان چرخه

    اجرای سیستم کانبان

    وظایف کانبان

    انواع جریان مواد

    گردش کانبان

    وسعت عمل کانبان

    فصل چهارم – ابداع کننده JIT / شرکت تویوتا

    شرکت تویوتا

    مقدمه

    تاریخچه

    سیستم تولیدتویوتا(TPS)

    تولیدبهنگام(JIT)

    کانبان

    JIDOKA

    فلسفه وچشم اندازتویوتا

    فرهنگ سازمانی وارزشها

    آینده

    تشریح مفاهیم

    واژه نامه انگلیسی- فارسی

    فهرست منابع

نظرات 0 + ارسال نظر
امکان ثبت نظر جدید برای این مطلب وجود ندارد.