سینا رئیسی وانانی؛ ایمان رئیسی وانانی؛ محمدتقی تقوی فرد
چکیده
ارزیابی عملکرد آموزشی از طریق شناسایی و تحلیل داده‌های حاصل از فعالیت‌های یادگیرندگان، می‌تواند به بهبود مؤثر عملکرد آموزشی منجر گردد. در پژوهش حاضر، داده‌های مربوط به دانش پذیران بین‌المللی، بر اساس روش تحقیق علم طراحی و با استفاده از روش‌های داده‌کاوی مورد بررسی قرار گرفته است. در این راستا تحقیقات انجام‌گرفته داخلی و بین‌المللی ...
بیشتر
ارزیابی عملکرد آموزشی از طریق شناسایی و تحلیل داده‌های حاصل از فعالیت‌های یادگیرندگان، می‌تواند به بهبود مؤثر عملکرد آموزشی منجر گردد. در پژوهش حاضر، داده‌های مربوط به دانش پذیران بین‌المللی، بر اساس روش تحقیق علم طراحی و با استفاده از روش‌های داده‌کاوی مورد بررسی قرار گرفته است. در این راستا تحقیقات انجام‌گرفته داخلی و بین‌المللی در دهه گذشته بررسی و مرور شده است و داده‌های تحصیلی و غیر تحصیلی یادگیرندگان در سه دسته خانوادگی، حمایتی و رفتار تحصیلی با استفاده از داده‌کاوی، خوشهبندی شده است. پس از اعتبارسنجی خروجی الگوریتمها توسط شاخصهای مرتبط و تعیین تعداد خوشه بهینه در هر بخش، خوشهها نامگذاری و تحلیل شدند. تحلیل خوشههای شناساییشده، نشاندهنده تجربه موفقیت یا شکست تحصیلی دانش پذیران و ریشههای عملکرد مؤثر در هر بخش است و روش نامگذاری ارائهشده، روشی نوین و قابلاستفاده در اغلب مراکز آموزشی جهت تفکیک و تبیین عملکرد آموزشی است.
مجتبی صالحی؛ علیرضا کرد کتولی
چکیده
ریسک اعتباری که به معنی احتمال عدم بازپرداخت تعهدات توسط مشتریان در سررسید تعبیر می‌شود به‌عنوان یکی از عوامل ورشکستگی مؤسسات مالی قلمداد می‌شود. بدین منظور از تکنیک‌های داده‌کاوی نظیر شبکه عصبی، درخت تصمیم، شبکه بیز، k نزدیک‌ترین همسایه و ماشین بردار پشتیبان برای دسته‌بندی مشتریان به مشتریان پر ریسک و کم ریسک استفاده ...
بیشتر
ریسک اعتباری که به معنی احتمال عدم بازپرداخت تعهدات توسط مشتریان در سررسید تعبیر می‌شود به‌عنوان یکی از عوامل ورشکستگی مؤسسات مالی قلمداد می‌شود. بدین منظور از تکنیک‌های داده‌کاوی نظیر شبکه عصبی، درخت تصمیم، شبکه بیز، k نزدیک‌ترین همسایه و ماشین بردار پشتیبان برای دسته‌بندی مشتریان به مشتریان پر ریسک و کم ریسک استفاده شده است. در این مقاله یک روش ترکیبی از الگوریتم بهینه‌سازی رقابت استعماری و شبکه عصبی برای افزایش دقت دسته‌بندی در ارزیابی و سنجش ریسک اعتباری مشتریان بانکی ارائه می‌دهد. این روش با شناسایی زیر‌مجموعه‌ی ویژگی‌های بهینه و حذف ویژگی‌های غیرضروری از تمامی ویژگی‌های موجود در داده‌ها به کاهش ابعاد مسئله و افزایش دقت طبقه‌بندی می‌‌پردازد. رویکرد پیشنهادشده بر روی مجموعه داده‌های واقعی پایگاه داده UCI و همچنین داده‌های واقعی یک بانک خصوصی ایرانی به‌منظور اعتبارسنجی اعمال شد. نتایج تجربی به‌دست‌آمده نشان داد میزان خطای شبکه عصبی برای مجموعه آزمون با انتخاب ویژگی‌های مؤثر و حذف ویژگی‌های کم اثر توسط الگوریتم بهینه‌سازی صفر و یک رقابت استعماری کاهش می‌یابد. بعلاوه، برای سایر روش‌ها طبقه‌بندی استفاده شده، میزان خطای داده آزمون در حد قابل قبولی باقی می‌ماند. برای اولین بار در این مقاله از الگوریتم رقابت استعماری برای ارزیابی ریسک اعتباری مشتریان بانکی استفاده شده است.
