به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

k-means algorithm

در نشریات گروه اقتصاد
تکرار جستجوی کلیدواژه k-means algorithm در نشریات گروه علوم انسانی
تکرار جستجوی کلیدواژه k-means algorithm در مقالات مجلات علمی
  • عالیه کاظمی*، امیر مقدم فلاحی، علی ابدالی، سارا آریائی
    امروزه پدیده پول شویی به تهدیدی جدی برای اقتصاد جهانی تبدیل شده است. روش های سنتی مقابله با پول شویی هزینه بر و ناکارآمد هستند. اخیرا تکنیک های داده کاوی گسترش پیدا کرده اند و به عنوان روش های مناسب برای کشف فعالیت های پول شویی مورد توجه قرار گرفته اند. هدف این تحقیق، استفاده از الگوریتم های داده کاوی در کشف موارد مشکوک به پول شویی با استفاده از داده های واقعی تراکنش های بانکی است که ممکن است نیاز به بررسی های بیشتر داشته باشند. تحلیل داده ها با استفاده از فرآیند CRISP-DM انجام شده است. جامعه آماری تراکنش های بانک و نمونه آماری تراکنش های مربوط به یکی از شعب بانک است. داده ها از بانک اطلاعاتی بانک مورد مطالعه جمع آوری شده است. برای انجام این کار از دو رویکرد استفاده شده است. در رویکرد اول با استفاده از الگوریتم k-میانگین ابتدا تراکنش های بانکی افراد خوشه بندی شده اند، سپس با استفاده از به کارگیری الگوریتم های کشف موارد مشکوک، تراکنش هایی که ممکن است مشکوک به پول شویی باشند مشخص گردیده اند. در رویکرد دوم، روشی نوین با به کارگیری قانون بنفورد و روش GANs برای کشف حساب هایی که در تراکنش های آن ها از ارقام ساختگی استفاده شده است و ممکن است مشکوک به پول شویی باشند معرفی شده است. رویکرد اول می تواند حساب هایی که در تراکنش های آن ها موارد پرت وجود دارد را با دقتی حدود 93٪ درصد، و رویکرد دوم می تواند حساب های مشکوکی که در پنهان نمودن ارقام ساختگی در تراکنش های آن ها، از روش های حرفه ای استفاده نشده است را با دقتی حدود 60٪ به درستی تشخیص دهد.
    کلید واژگان: پول شویی، داده کاوی، الگوریتم k میانگین، الگوریتم GANs، قانون بنفورد
    Aliyeh Kazemi *, Amir Moghadamfalahi, Ali Abdali, Sara Aryaee
    Nowadays, money laundering has become a serious threat to the world economy. Traditional methods of Anti Money Laundering (AML) are costly and inefficient. Recently, data mining techniques have been developed and have been considered as appropriate methods to detect money laundering activities. The purpose of this research is to detect money laundering suspicious cases which might need more detailed scrutiny using data mining algorithms with real banking transaction datasets. CRISP-DM would be used as the research methodology, the statistical population would be the banking transactions and samples would be the transactions of one of the bank branches. For this purpose, two main approaches are used. In the first approach, using the k-means algorithm, financial transactions of banking accounts are clustered. Then, using anomaly detection techniques, abnormal transactions that might be suspicious of money laundering and need to be scrutinized in more detail have been detected. In the second approach, a novel technique using Benford’s law and GANs algorithm has been introduced. It can detect financial accounts that used concocted amounts in their transactions and might be suspicious of financial fraud and money laundering. The first approach can identify accounts with outliers in their transactions with an accuracy of about 93%, and the second approach can identify suspicious accounts that do not use professional methods to hide fake figures in their transactions with an accuracy of about 60%. to recognize correctly.
    Keywords: Money Laundering, Data mining, k-means algorithm, GANs algorithm, Benford’s law
  • زهرا علی نژاد، سید محمدباقر نجفی*، جمال فتح اللهی، نادر زالی

    اقتصاد دانش بنیان، جدیدترین الگوی تولید در عصر حاضر بوده و تاکنون، دستاوردهای کم نظیری برای طیف گسترده ای از کشورهای مختلف به همراه داشته است. هدف این مقاله، طبقه بندی استان های ایران از منظر اقتصاد دانش بنیان می باشد. طبقه بندی استان ها بر اساس میزان تشابه آنها در دستیابی به الگوی تولید دانش بنیان، نخستین گام برای یک برنامه ریزی صحیح و واقع بینانه است. از نسخه یکسانی برای استان های با وضعیت متفاوت، نمی توان استفاده کرد. شاخص اقتصاد دانش بنیان منطقه ای در سه محور اصلی آموزش، نوآوری و فناوری اطلاعات و ارتباطات و بر اساس 15 زیرشاخص، تعریف، و طبقه بندی، بر اساس تکنیک خوشه بندی- یکی از شاخه های یادگیری بدون نظارت- انجام، و برای این منظور، دو الگوریتم k-means و c-means فازی به طور همزمان به کار گرفته شده است تا مقایسه نتایج آنها امکان پذیر شود. تعداد خوشه بهینه نیز از طریق ضریب سیلوییت[1] محاسبه شده است. این ضریب، همچنین میزان درستی نتایج خوشه بندی را نشان می دهد. خوشه بندی بر اساس الگوریتم c-means فازی و در حالت 6 خوشه با ضریب سیلوییت 77/0 مناسب ترین طبقه بندی برای هدف پژوهش است. نتایج نشان می دهد، ناهمگونی مشهودی بین استان های مختلف از نظر اقتصاد دانش بنیان وجود دارد. تهران و البرز در خوشه های جداگانه و جزء طبقات پیشرو نسبت به سایرین قرار دارند؛ در حالی که بیش از نیمی از استان ها در خوشه انتهایی  طبقه بندی می شوند.

    کلید واژگان: اقتصاد دانش بنیان، شاخص اقتصاد دانش بنیان منطقه ای، خوشه بندی، الگوریتمc-means فازی، الگوریتم k-means
    Zahra Alinezhad, Sayed MohammadBagher Najafi*, Jamal Fathollahi, Nader Zali

    The knowledge-based economy is the newest pattern of production in the current era. So far, this pattern has resulted in unique achievements for a wide range of countries. This study aims to classify the provinces of Iran in terms of Knowledge-based economy. The classification of provinces based on their similarity in achieving the knowledge-based production pattern is the first step for correct and realistic planning. The same version cannot be used for different provinces. The regional knowledge-based economy index is defined in three dimensions: education, innovation, and information and communication technology, based on 15 sub-indices. The classification is based on the clustering technique, which is one of the branches of unsupervised learning. To do this, k-means and fuzzy c-means algorithms are used simultaneously to compare their results. The optimal number of clusters is calculated through the Silhouette coefficient. This coefficient also indicates the accuracy of the clustering results. Clustering based on the fuzzy c-means algorithm in 6-cluster case with a Silhouette coefficient of 0.77 is the most appropriate classification for research purposes. The results show that there is a clear discrepancy between different provinces in the context of knowledge-based economy. Tehran and Alborz are in separate clusters and are among the leading classes compared to others, while more than half of the provinces belong to backward cluster.

    Keywords: Knowledge-based economy, regional Knowledge-based economy index, Clustering, fuzzy c-means algorithm, k-means algorithm
  • فرزاد اصغری، فرید احمدی*

    هدف  این مقاله  ارائه مدلی ترکیبی است تا ضمن ارزیابی عملکرد تسهیلات سیستم بانکی از منظر بازپرداخت بدهی تسهیلات، امکان پیش بینی وضعیت اعتباری متقاضیان تسهیلات را فراهم اورد.در این راستا در ابتدا با اتخاذ رویکرد مدیریت اعطای تسهیلات توسط بانک ها به خوشه بندی و رتبه بندی 100224 فقره از تسهیلات صندوق کارآفرینی امید پرداخته شده است. تمامی اطلاعات مربوط به تسهیلات اعطایی به مشتریان فوق از نرم افزار بانکداری متمرکز صندوق استخراج شده است و با اتکا به این مجموعه داده کمی ارزشمند و دارای روایی بالا از روش های کیفی برای گردآوری داده ها استفاده نشده است. در این مقاله  از روش تحلیل عاملی «رب پی سی ای»  برای طبقه بندی و از الگوریتم دو مرحله ای «کی-مینز»  برای خوشه بندی استفاده می شود. همچنین غیر از روش های خوشه بندی اشاره شده از روش «سی سی ار»  نیز برای ارزیابی عملکرد تسهیلات صندوق استفاده شده است. در ادامه با هدف ایجاد زمینه پیش بینی وضعیت اعتباری متقاضیان پیش از اعطای تسهیلات به ارائه مدلی برای پیش بینی اعتبار با استفاده از دو  الگوریتم ماشین بردار پشتیبان و الگوریتم ترکیبی فراابتکاری شبکه عصبی-ژنتیک پرداخته شده است. نتایج به دست آمده از پیش بینی وضعیت اعتباری متقاضیان تسهیلات نشان می دهد که مدل به دست آمده از روش ترکیبی شبکه عصبی-ژنتیک با میانگین مربعات خطا 23/0 و ضریب تعیین  78 درصد از صحت پیش بینی بیشتری در مقایسه با مدل ماشین بردار پشتیبان برخوردار است. بنابراین، مدل ارائه شده برای پیش بینی وضعیت اعتباری در این مقاله، می تواند پیش بینی به نسبت مناسبی از عملکرد متقاضیان تسهیلات داشته باشد. روشی جدید که در قالب یک نرم افزار داده کاوی امکان پیش بینی اعتبار متقاضیان از منظر بازپرداخت بدهی تسهیلات را برای موسسات مالی-اعتباری فراهم می آورد.

    کلید واژگان: خوشه بندی مشتریان، رتبه بندی مشتریان، پیش بینی وضعیت اعتباری متقاضیان تسهیلات، صندوق کارآفرینی امید، تحلیل عاملی رب پی سی ای، الگوریتم دو مرحله ای کی-مینز
    Farzad Asghari, Farid Ahmadi *

    The aim of this paper is to present a hybrid model to evaluate performance of loan portfolio of banking system regarding loan repayment status and to forecast credit status of loan applicants. At first stage, we have taken credit granting management approach in order to cluster and rank 100,224 loans granted by Karafarini Omid Fund. All the data on the loans granted to clients was extracted from core banking software of the Fund. Because of having access to this valuable and valid dataset, qualitative data collection methods are not used. In the first section of paper, a type of robust principal component analysis (ROBPCA) was utilized to classify the clients. Then, the eigenvector derived from ROBPCA was used as input to a two-step K-means clustering algorithm. Then, to propose a model to forecast credit status of applicants prior to granting loans, support vector machine (SVM) and artificial genetic neural networks were used. The results obtained from the applicants’ credit status forecasting showed that the model based on the artificial genetic neural networks with the mean-square error of 0.23 and %78 coefficient of determination leads to more accurate forecasting than support vector machine. Therefore, the proposed model for forecasting the applicants’ credit status can predict their performance with relative accurately. A new method in the form of data mining software provides credit institutions with the possibility of predicting applicants’ credit regarding loan repayments.

    Keywords: Clustering, Ranking, Forecasting Credit Status of Loan Applicants, Karafarini Omid Fund, ROBPCA Principal Component Analysis, K-means Algorithm
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال