الفهرس 
ClassificationsOnly 14 pages are availabe for public view
 |  | from | 131 |  |  |
| | | from | 131 | | |
Abstract
فى ظل التطور الحالى فى تكنولوجيا المعلومات فى جميع المجالات فان البنوك الاستثمارية الحديثة تعانى من مشاكل خطورة عدم الدقة لانها تتعامل فى بيئة معقده وسريعة. لذلك فان القدره على جمع واداره وتحليل البيانات بذكاء عن العملاء تعتبر مفتاح لاهم ميزة من مميزات العمل الالكتروني (E-Business) هذه الميزه توفر الكثير من الوقت لتقديم الخدمات البنكية وتسويقها والتى بالتالى تؤثر فى خدمة العملاء حيث انها تجعل البنك يحصل على معلومات بطريقة ذكية تفيده فى خططة فى البرامج المستقبلية. تقنية التنقيب عن البيانات تفيد فى استخراج هذه البيانات من مخزن البيانات والتنبؤ بما قد يحدث فى المستقبل نتيجة تحليل السلوك الذى حدث فى الماضى وعلية يتم اتخاذ القرارات. التقنيات التقليليدية المستخدمة فى تحليل البيانات تعتمد على عمليات حسابية واحصاءات لا تصلح مع حجم كبير من البيانات من ازمنة مختلفة ولحل هذه المشكلة يتم استخدام طرق بالبرامج الحاسوبية (Soft Computing) حيث انها اكثر مرونة لحل المشاكل الواقعية من عدم دقة وصعوبة فهم للبيانات الواقعية. ولكن ظهرت مشكلة ان هذه الطرق محدوده ولا تفيد فى الأنظمة المعقده وكان الحل استخدام اكثر من طريقة لحل المشكلة فى نفس الوقت.بمعنى اخر, اصطحاب انظمة الذكاء الاصطناعى (AI) لغيرها من انظمة الذكاء الاصطناعى او لمجموعة عمليات حسابية. مثال على ذلك نظام مكون من الشبكات العصبية الاصطناعية مضافة الى الخوارزميات الجينية, الانظمة الغامضة, او مجموعات الخام. وبما ان بيانات العملاء المتاحة فى البنوك كبيرة ومتغيره ومعقده وغير واضحة لتحل بالطرق التقليدية لذلك فان هذه الرسالة تقدم نموذج يعتمد على طرق البرامج الحاسوبية (Soft Computing) لاستخراج قاعده واضحة ودقيقة لتصنيف العملاء الى مجموعتين اما طبيعى (normal) او خطر (risk). هذه الرسالة تقدم نموذج لاستخراج قاعده تصنف العملاء من خلال قاعده البيانات الخاصة بالبنك. النموذج يتكون من اسلوبين : الانظمة الغامضة و الخوارزميات الجينية فى نموذج واحد اسمة مصنف الفازى- الجينات. الخوارزميات الجينية تتميز بالعشوائية , موجهة, تعتبر ايضا طرق بحث عددية لأنها تستخدم مشغلين بما يتفق مع نظرية التطور.وتجد تطبيقاتها فى العديد من التخصصات وخصوصا مشكلات التحسين. النظام المقترح (الانظمة الغامضة والخوارزميات الجينية) يستعرض اثنين من الخصائص المهمة : الاولى، يتم الحصول على كل قاعده من خلال طريقة استخراج القواعد الجينية والتى تكيف معايير الانظمة الغامضة قى المنطقة المفروضة، كمأنها تقوم بتفسيرها والثانية، تطوير القاعده المستخرجة من خلال الخوارزميات الجينية. الهدف من هذا النموذج هو الحصول على حالة العميل فى غضون ستة اشهر ، حيث يتم تصنيف العملاء الى فئتين كما فى قاعده البيانات الى 3 و 5. فئة 3 يعنى ان العميل هو عميل طبيعى. اما فئة 5 يعنى ان العميل عميل خطر. من خلال عملية التعلم ظهرت نتائج تصنيف تصل الى اعلى معدل لها 97.2 % فى الاجيال الاولى وذلك من خلال الدمج بين الخوارزميات الجينية والانظمة الغامضة وهى افضل من النتائج الخاصة بكل طريقة. ونتيجة لأهمية جوده البيانات فى عملية تنقيب البيانات تم اضافة نموذج جديد لتنظيف قاعده البيانات من الاخطاء الموجوده بها حيث ان هذه الاخطاء تقلل من دقة التصنيف. وبعدها ظهرت نتائج افضل من قبل 97.5 % بقاعده واحده فى الاجيال الاولى. التطبيق المقترح مفيد فى اتخاذ القرارت الخاصة بالبنك لانها تقدم نموذج لتقسيم العملاء الى تصنفين عملاء عادين وعملاء خطر بنسبة خطأ 2.5% وهذا يساعد فى الخطط المستقبلية للبنك وخصوصا مهام الائتمان.