پروژه مهد کودک

محتوایی این فایل اموزشی چندین فایل پاورپوینت میباشد

داده کاوی با استفاده از نرم افزار آماری R

چکیده:
در طول دهه های گذشته حجم زیادی از داده ها در پایگاه داده ها انباشتته خیرت ه شتاه انتا . در اقت
سازمان ها در اطلاعات غ ق شاه انا، در حالرکه تشنه دانش انا. ه چه حجم داده ها برشت ر ابط مرتان نناتا
پرچراه ت باشا، دست سی به اطلاعات نافته در داده ها مشکل ت شاه، لذا نقش داده کا ی بته عنتوان یکتی از
ر ش های کشف دانش، ر شن ت می شود. ام زه استفاده از ر ش های سنتی جم ن ری تحلرل داده به دلرل
اتلاف زمان ایجاد هزینه های بسرار زیاد، مناسب نبوده از این ر استفاده از ر ش های جایا ننالرز داده ماننا
داده کا ی بسرار حراتی بنظ می رسا. بناب این نموزش داده کا ی به اف ادی کته در بششتاای نمت ار اطلاعتات
سازمان ها جود دارنا، ام ی لازم مفرا یواها بود. در این مقاله نحوه استفاده از ن م افزار R که یکی از بات ین
قارتمنا ت ین ن م افزارهای نماری داده کا ی می باشا را توضرح یواهرم داد.
کلمات کلیدی: داده کاوی، شبکه عصبی، رگرسیون، درخت تصمیم، خوشه بندی، R

ارزیابی ریسک اعتباری مشتریان بانک توسعه صادرات ایران

پژوهشی با عنوان ارزیابی ریسک اعتباری مشتریان بانک توسعه صادرات ایران به صورت ورد و پی دی اف

چکیده:

ریسک اعتباری ریسکی است که بر اساس آن وام گیرنده قادر به بازپرداخت اصل و فرع بدهی طبق شرایط قرارداد نمی باشد. ریسک اعتباری یکی از مهمترین ریسک­هایی است که یک مؤسسه مالی بایستی به آن توجه ویژه نشان داده و با اتخاذ روش­ها و سیستم­های نوین در جهت کاهش حداکثری این ریسک­ها حرکت نماید. طی چند سال اخیر اکثر بانک­های داخل کشور اقدام به تأسیس ادارات مدیریت ریسک در سیستم­های خود نموده­اند که بانک توسعه صادرات ایران نیز از این مقوله مستثنی نیست و مطالعه حاضر در راستای مدیریت، ارزیابی و کاهش ریسک اعتبارات اعطایی این بانک انجام شده است. بدین ­منظور از اطلاعات مربوط به 806 مشتری حقوقی تسهیلات گیرنده از بانک توسعه صادرات برای سال­های 1387 تا 1390 که دارای صورت­های مالی معتبر بوده­اند استفاده شده است. برآورد احتمال عدم بازپرداخت تسهیلات، از طریق دسته بندی مشتریان اعتباری به دو گروه خوش­حساب و بد حساب و تبیین متغیرهای مؤثر بر وضعیت خوش حسابی و بد حسابی مشتریان صورت می­گیرد. تجزیه تحلیل متغیرها با استفاده از سه روش نمره Z، رگرسیون لاجیت و شبکه عصبی و با کاربرد نرم­افزار SPSS انجام شده است. پس از برآورد مدل­ها مشخص شد که مدل شبکه عصبی با درصد پیش بینی 90.4% نسبت به دو مدل دیگر یعنی رگرسیون لاجیت با 89.6% و Z آلتمن با 83.2% بهتر قادر به طبقه بندی مشتریان بانک توسعه صادرات بوده است. توانایی هر سه مدل در پیش بینی طبقه عدم نکول نزدیک به هم می باشند، اما در پیش بینی طبقه نکول، کارایی مدل شبکه عصبی با 69.8% بالاتر از دو مدل لاجیت با 65.7% و Z آلتمن با 45.9% بوده است. همچنین نتایج نشان داد که نسبت‌‎های جریان نقدی آزاد و گردش دارایی­ها به صورت مشترک در هر سه مدل از اهمیت بالایی برخوردار هستند. نتایج مطالعه حاکی از هم­پوشانی بسیار زیاد دو مدل لاجیت و شبکه عصبی است، بدین ترتیب که نسبت‌‎های گردش دارایی­ها، جریان نقدی آزاد، بدهی، بازده دارایی­ها و نسبت پوشش بهره در هر دو مدل رگرسیون لاجیت و شبکه عصبی دارای اهمیت بالایی بودند. با توجه به اینکه نسبت بازده دارایی‌ها به عنوان مؤثرترین نسبت در ریسک اعتباری شناخته شد، لذا به مدیران بانکی پیشنهاد می­شود در تصمیم­گیری­های اعتباری و اعتبارسنجی مشتریان، این نسبت را مورد توجه ویژه قرار دهند. همچنین با توجه به نزدیکی کارایی مدل­های لاجیت و شبکه عصبی و از طرف دیگر با توجه به قابلیت تعمیم نتایج و ضرایب بدست آمده از مدل لاجیت به نمونه­ های آتی، پیشنهاد می­گردد از روش رگرسیون لاجیت به­عنوان روش اصلی پیش­بینی ریسک اعتباری مشتریان استفاده شود.