ترجمه مقاله داده کاوی و مورد کاربرد مدلسازی در صنعت بانکداری - نشریه IEEE

ترجمه مقاله داده کاوی و مورد کاربرد مدلسازی در صنعت بانکداری - نشریه IEEE
قیمت خرید این محصول
۴۱,۰۰۰ تومان
دانلود مقاله انگلیسی
عنوان فارسی
داده کاوی و مورد کاربرد مدلسازی در صنعت بانکداری
عنوان انگلیسی
Data Mining and Modeling Use Case in Banking Industry
صفحات مقاله فارسی
11
صفحات مقاله انگلیسی
4
سال انتشار
2019
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
آی تریپل ای - IEEE
فرمت مقاله انگلیسی
pdf و ورد تایپ شده با قابلیت ویرایش
فرمت ترجمه مقاله
pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله
بی نازنین
سایز ترجمه مقاله
14
نوع مقاله
ISI
نوع ارائه مقاله
کنفرانس
کد محصول
12196
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن
به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است ✓
ضمیمه
ندارد ☓
بیس
نیست ☓
مدل مفهومی
ندارد ☓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
فرضیه
ندارد ☓
رفرنس در ترجمه
در انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
مهندسی کامپیوتر، مهندسی نرم افزار، مهندسی الگوریتم ها و محاسبات و هوش مصنوعی
دانشگاه
دانشکده مهندسی برق، دانشگاه بلگراد، بلگراد
کلمات کلیدی
بانکداری، داده کاوی، خوشه بندی K میانگین، یادگیری ماشین
کلمات کلیدی انگلیسی
banking - data mining - K-Means clustering - machine learning
doi یا شناسه دیجیتال
https://doi.org/10.1109/TELFOR.2018.8611897
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1. مقدمه
2. جمع آوری داده‌ها
3. انتخاب متغیر
4. خوشه بندی داده‌ها
A پیش پردازش
B تعریف تعداد خوشه‌ها
C تعریف مرکز ثقل
5. نتایج
6. نتایج
منابع
تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)
       
نمونه چکیده متن اصلی انگلیسی

Abstract 


Banking industry is very competitive and the market itself has become very saturated in the recent years. Because of this, it is vital for every banking institution to use all available information in order to gain some sort of competitive advantage. In this paper we will demonstrate that it is possible to gain more insight about banking service clients by using data mining and analysis tools, more specifically by using K-Means clustering. Specifically, we will demonstrate that we can define a group of customers that are more prone to purchase housing loan.


 

I. INTRODUCTION


IN retail banking, a service tailored to the preferences of each customer is not possible because of time and cost issues. This implies that some degree of standardization is necessary. The trade-off between a more standardized and a more individual service can be made easier by a classification of customers according to multi-dimensional intrinsic characteristics of personality [1]. Companies are trying to segment their customers by identifying groups of persons with need structures that are as homogeneous as possible within each group and significantly heterogeneous between groups [2]. This segmentation can be done by using the data mining technologies. By definition, data mining is the process of discovering patterns in large datasets involving methods at the intersection of machine learning, statistics, and database systems.


 

VI. CONCLUSION


There are several papers that focus on the client behavior modeling using segmentation, such as [7], [8]. In [7] bank telemarketing data was analyzed and classification method was used as pre-processing activity in order to create under sampled training dataset that was later used as input for various modeling techniques. On the other hand, paper [8] presents customer response model supported by random forests and under sampling algorithm that analyze client demographic information, contact details and socio-economic data.

نمونه چکیده ترجمه متن فارسی
چکیده

صنعت بانکداری بسیار رقابتی بوده و این بازار فی نفسه در سالهای اخیر بسیار اشباع شده است. به همین دلیل، لازم است که همه مؤسسات بانکی از تمامی اطلاعات موجود برای دستیابی به نوعی از مزیت رقابتی استفاده کنند. در این مقاله ما نشان می‌دهیم که این امکان وجود دارد که با استفاده از ابزارهای تحلیلی و داده کاوی و بخصوص خوشه بندی (Kمیانگین)، بینش بیشتری در مورد مشتریان خدمات بانکی حاصل کنیم. بخصوص، نشان می‌دهیم که می‌توانیم گروهی از مشتریان را که تمایل بیشتری به خرید وام مسکن دارند تعریف کنیم.

 

1. مقدمه

در بانکداری خرد، ارائه خدمات متناسب با اولویتهای هر مشتری به دلیل مسائلی که در رابطه با وقت و هزینه وجود دارد، امکانپذیر نیست. این بدین معنی است که وجود برخی از سطوح استانداردسازی لازم است. بده و بستانهای بین یک سرویس استانداردتر و یک سرویس انفرادی‌تر را می‌توان با طبقه بندی مشتریان طبق ویژگیهای ذاتی چندبعدی شخصیت، آسان‌تر کرد (1). شرکت‌ها در تلاشند تا مشتریان خود را با شناسایی گروههایی از افراد با ساختارهای مورد نیاز دسته بندی کنند، بطوریکه در حد امکان در هر گروه یکسان باشند ولی گروه‌ها تفاوت قابل توجهی با یکدیگر داشته باشند (2). این دسته بندی را می‌توان با فن آوریهای داده کاوی انجام داد. به لحاظ تعریف، داده کاوی به روند کشف الگوها در مجموعه داده‌های بزرگ گفته می‌شود که شامل روشهایی است که یادگیری ماشین، آمار و سیستمهای پایگاه داده‌ها با هم تلاقی پیدا می‌کنند.

 

6. نتایج

مقالات متعددی مانند (7)، (8) بر مدلسازی رفتار مشتری با استفاده از تقسیم بندی، تمرکز دارند. در (7)، داده‌های داد و ستدهای تلفنی بانک مورد تجزیه و تحلیل قرار گرفت و روش طبقه بندی به عنوان یک کار پیش پردازش برای ایجاد مجموع داده‌های آموزشی کم نمونه برداری شده مورد استفاده قرار گرفت که پس از آن به عنوان ورودی برای تکنیکهای مختلف مدلسازی بکار برده شد. از سوی دیگر، مقاله (8) مدل پاسخ مشتری را نشان می‌دهد که با پیش بینی‌های تصادفی و الگوریتم کم نمونه برداری که اطلاعات جمعیت شناختی مشتری، جزئیات تماس و داده‌های اجتماعی – اقتصادی آنها را مورد تحلیل قرار می‌دهد، تأیید شده است.


بدون دیدگاه