نرم افزار و شبکه عصبی

دانلود پایان نامه

مکان: چه محدوده ای از شعب ، بانک باید در نظر گرفته شود
موجودیت: موجودیت مشتری مورد بررسی قرار گیرد یا سپرده یا…
نوع مشتریان مورد بررسی: (حقیقی یا حقوقی…)
در نهایت ملزومات اجرایی پروژه شامل موارد و فرضیات زیر بود :
داده‌‌های واقعی در دسترس باشند (این داده‌‌ها اطلاعات واقعی یک شعبه بانک بودند)
زمان بررسی نیم سال مالی فرض گردید
اطلاعات مورد بررسی کل تراکنش‌ها ی مالی یک سال شعبه مورد نظر بانک می باشد
بررسی می توانست بر روی سپرده‌‌ها و یا مشتریان بانک (مجموع سپرده‌‌های هر مشتری) صورت گیرد که مسلما بررسی براساس مشتری می تواند نتا یج کاملتر و مناسب تری با توجه نگاه یکجا و کامل به مشتری را داشته باشد.
در این پروژه کل مشتریان شعبه مورد بررسی قرار گرفتند اما می توانست مشتریان براساس شاخص‌های عمده مانند حقیقی و حقوقی بودن از هم مجزا شوند.
نتایج با نظر خبرگی کارشناسان بانکی به اصلاح اطلاعات ورودی و یا روش‌های استفاده شده منجر می گردید.
انتخاب ابزار
بررسی امکانات و ویژگی‌های ابزار‌های مورد نظر از ابعاد مختلف با توجه به مدل کاری بررسی گردید. این جنبه‌‌ها شامل موارد زیر می باشد:
امکان اتصال به بانک‌های اطلاعاتی، قابلیت پیاده سازی ای تی ال ، قابلیت تجمیع اطلاعات، قابلیت پاکسازی و آزمایش داده‌‌ها، قابلیت اجرا و تست الگوریتم‌های مختلف داده‌کاوی، قابلیت گزارش‌دهی ، قابلیت تغییر در پارامتر‌های هر الگوریتم، امکان صدور اطلاعات و ابزار‌های نظیر فیلتر سازی و مرتب سازی
با توجه به ماهیت تحقیقاتی این پروژه و پس از بررسی‌‌های انجام شده و مقایسه‌‌ها و مشاوره‌‌های گوناگون ابزار مطرح در حوزۀ داده‌کاوی مورد نظر قرار گرفت که با توجه به ویژگی‌های آن در قسمت‌های مختلف پروژه مورد استفاده قرار می‌گیرد. این ابزار کلمنتاین میباشد، که به وسیلۀ آن مدل‌های مختلف طراحی و پیاده سازی گردید. امکان ارتباط این نرم افزار به صورت مستقیم با بانک اطلاعاتی عملی است و داده‌‌های ورودی این نرم افزار با فرمت فایل‌های اس کیو ال تنظیم و مورد استفاده قرار گرفته است.
در کلمنتاین 12 شش روش برای ساخت شبکه عصبی وجود دارد که در این پروژه از آن‌ها استفاده شده است‌[1].
Quick
در این حالت تمام تنظیمات و خصوصیات شبکه با توپولوژی مناسب در نظر گرفته شده برای شبکه توسط نرم‌افزار در نظر گرفته می‌شود.
Dynamic
این روش یک توپولوژی اولیه را در نظر می‌گیرد اما آن را با اضافه کردن یا کم کردن تعداد لایه‌‌های پنهان در حین آموزش بهبود می‌دهد.
Multiple
این روش تعدادی شبکه با توپولوژی‌‌های مختلف ایجاد می‌کند(تعداد دقیق آن‌ها بستگی به داده آموزش دارد). این شبکه‌‌‌ها به نوعی به صورت موازی ساخته می‌شوند و در نهایت شبکه با میزان خطای کمتر انتخاب می‌گردد.
Prune
این روش با شروع از یک شبکه بزرگ شروع به کار می‌کند و در پروسه یادگیری واحد‌‌های ضعیف تر را در لایه ورودی و در لایه پنهان هرس می‌کند.