عنوان کامل پایان نامه :

 تعیین اهداف جذب منابع با رویکرد منطق فازی و شبکه‌ های عصبی در مؤسسات مالی و اعتباری

قسمتی از متن پایان نامه :

3-5- نحوه آماده سازی داده ها

برای اجرای مدل‌های هوشمند نیاز می باشد که در آغاز داده‌هایی برای یادگیری مدل فراهم گردد. تا با بهره گیری از این داده‌ها مدل آموزش داده گردد و سپس مدل آموزش‌دیده در اقدام به‌کاررفته گردد. درصورتی‌که داده‌هایی که در این مرحله به دست می‌آید فاقد نویز و دارای کیفیت مطلوب باشد مرحله بعدی که فاز یادگیری مدل می باشد به‌خوبی انجام می گردد و دقت مدل زیاد می گردد، اما درصورتی‌که این مرحله به‌درستی انتخاب نشود فاز یادگیری ممکن می باشد که اصلاً به‌درستی صورت نگیرد. کارهای پردازشی زیادی بر روی‌داده‌ها می‌توان انجام داد که کیفیت داده‌ها به حد مطلوب برسد. بعضی از مهم‌ترین آن‌ها را در ادامه نام می‌بریم(Kamber and Han 2011) (صنیعی آباده 1391).

3-5-1- جمع آوری داده ها و یکسان کردن داده ها

در این مرحله از آماده‌سازی، بایستی داده‌ها را از منابع مختلف جمع‌آوری کرده و آن‌ها را به‌صورت یک فرم یکسان درآوریم. برای مثال اگر داده‌های ما روی چندین سرور پراکنده‌شده‌اند آن‌ها را بایستی جمع‌آوری کرده و در یک سرور قرار داد.

3-5-2- پاکسازی داده ها

بعدازاینکه داده‌ها جمع‌آوری شدند بایستی آن‌ها را ازلحاظ کیفیت مطالعه کنیم و درصورتی‌که مشکلاتی در آن‌ها وجود داشته باشد آن‌ها را پاک‌سازی کنیم. در مرحله پاک‌سازی بایستی به موارد زیر توجه داشته باشم.

الف – حذف نویز: هرگونه تغییر و تخریب غیرعمدی که ماهیت اصلی داده‌ها را از بین ببرد به‌عنوان نویز شناخته می گردد و بایستی آن‌ها را از بین برد.

ب – نمونه‌های پرت: داده‌هایی هستند که مقادیر آن‌ها در یک یا چند ویژگی با بقیه نمونه‌‌ها دارای اختلاف فاحشی می باشد. قرار دادن این نمونه‌ها در مدل‌های یادگیری می‌تواند مدل را دچار اشتباه کند. برای مثال اگر سن ورودی افرادی که در کنکور شرکت کرده‌اند را در نظر بگیریم و یک نفر در سن 90  سالگی در کنکور شرکت کرده باشد به‌عنوان داده پرت شناخته می گردد. بایستی توجه داشت که داده‌های پرت را از داده‌های نویز دار تشخیص داد. زیرا در بعضی موارد هدف یافتن همین داده‌های پرت می‌باشد.

ج – مقادیر مفقودشده: در بعضی از رکوردها ممکن می باشد مقادیر یک یا چند ویژگی به دلایلی وجود نداشته باشد، وجود مقادیر گم‌شده در داده‌ها به صورت‌های مختلف می‌تواند شکل پذیرد. برای مثال ممکن می باشد افراد از واردکردن سن و وزن خود اجتناب کنند.

برای رفع مقادیر مفقودشده روش‌هایی هست که عبارت‌اند از:

    شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید

  • حذف کردن: در این روش کل رکوردی که دارای مقدار مفقودشده در یک یا چند ویژگی می باشد حذف می گردد.
  • تخمین زدن: در این روش مقادیر مفقودشده، با روش‌های ابتکاری تخمین زده می گردد. زمانی که ویژگی‌ها باهم، هم‌بستگی داشته باشد می‌توانیم از این ‌روش بهره گیری کنیم.
  • نادیده گرفتن: رکوردهایی که حاوی ویژگی‌های مفقودشده هستند، نادیده گرفته می شوند.
  • جایگزین کردن: در این روش مقادیر مفقودشده با یک مقدار پر خواهد گردید. برای داده‌های کم و گران‌بها می‌توان از این ‌روش بهره گیری نمود. می‌توان از مقادیر تصادفی، مقادیر از قبل تعیین‌شده، میانگین مقادیر، تخمین از روی بقیه مقادیر بهره گیری نمود.

د – داده‌های تکراری: داده‌هایی هستند که رکوردهای آن‌ها بار اطلاعاتی جدیدی ندارد و اطلاعات در آن‌ها تکرار زیادی دارد. این رکورد‌ها بایستی از مجموعه داده‌ها حذف شوند.

سوالات یا اهداف پایان نامه :

 اهداف:

هدف اصلی:

  • بهره گیری از رویکرد شبکه عصبی فازی برای پیش‌بینی مانده منابع آتی در تعیین هدف جذب منابع برای شعبه‌های مؤسسات مالی و اعتباری.

 هدف فرعی:

  • تدوین الگوی مناسب برای پیش‌بینی دقیق منابع آتی و تعیین اهداف جذب منابع بر اساس آن،
  • تعیین متغیرهای سری زمانی که بیشترین و یا کمترین تأثیر را در فرآیند پیش‌بینی تعیین هدف جذب منابع دارند.

تعیین اهداف جذب منابع با رویکرد منطق فازی و شبکه‌ های عصبی در مؤسسات مالی و اعتباری

پایان نامه - تز - رشته حسابداری