استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیل

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیل دارای ۴۵ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیل  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

این پروژه توسط مرکز استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیل۲ ارائه میگردد

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیل،به هیچ وجه بهم ریختگی وجود ندارد

---

بخشی از متن استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیل :

امروزه نقش مشتریان از حالت پیروی از تولید کننده ،به هدایت سرمایه گذاران ، تولید کنند گان و حتی پژوهش گران و نوآوران مبدل گشته است ،به همین دلیل سازمان ها نیاز دارند مشتریان خود را بشناسند و برای آنان برنامه ریزی کنند .تاکنون از برخی روش های آماری و یادگیری ماشینی برای این منظور استفاده شده است که البته این روش ها به تنهایی دارای محدودیت هایی هستند که در این پژوهش سعی شده است تا با بهره گیری از روش های مختلف داده کاوی تا حد ممکن این محدودیت ها از بین برده و بر طبق آن ،چارچوبی برای شناسایی مشتریان بیمه بدنه اتومبیل ارایه شود . در واقع هدف این است تا مشتریانی را که بیشتر به یکدیگر شبیه هستند دسته بندی و با استفاده از این دسته ها و ویژگی های آن ،میزان خطر پذیری هر دسته را پیش بینی کرد . حال با استفاده از این معیار (میزان خطر پذیری هر دسته) و نوع بیمه نامه مشتری می توان میزان خسارت او را پیش بینی کرد که این معیار می تواند کمک شایانی برای شناسایی مشتریان و سیاست گذاری های تعرفه بیمه نامه باشد . برای این منظور، از روش داده کاوی ،درخت تصمیم برای ایجاد مدل پیش بینی خطر پذیری مشتریان در صنعت بیمه استفاده شده است .فن درخت تصمیم برای این منظور نتایج بهتری را به دست اورده است.

استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیل
فهرست مطالب

چکیده۱

۱-۱- مقدمه. ۲

۱-۲- تاریخچه داده کاوی.. ۲

۱-۳- روشهای پیشین و فعالیت های مرتبط با پژوهش… ۴

۱-۴- مدیریت ذخیره سازی و دستیابی اطلاعات.. ۵

۱-۵- ساختار بانک اطلاعاتی سازمان :۷

۱-۶- داده کاوی :((Data Mining. 7

۱-۶-۱- داده کاوی چیست؟. ۷

۱-۶-۲- مفاهیم پایه در داده کاوی.. ۸

۱-۶-۳- تعریف داده کاوی.. ۸

۱-۶-۴- برخی از این تعاریف عبارتند از :۸

۱-۶-۴-۱- مراحل فرایند کشف دانش از پایگاه داده ها۹

۱-۷- تفسیر نتیجه. ۹

۱-۸- انبارش داده ها۹

۱-۹- انتخاب داده ها۱۰

۱-۱۰- تبدیل داده ها۱۰

۱-۱۱- عملیات های داده کاوی.. ۱۰

۱-۱۱-۱- مدل سازی پیشگویی کننده۱۱

۱-۱۱-۲- تقطیع پایگاه داده ها۱۲

۱-۱۱-۳- تحلیل پیوند. ۱۲

۱-۱۱-۴- تشخیص انحراف.. ۱۲

۱-۱۲- الگوریتم های داده کاوی.. ۱۳

۱-۱۲-۱- دسته بندی.. ۱۴

۱-۱۲-۲-رگرسیون. ۱۵

۱-۱۲-۳- سری‌های زمانی.. ۱۶

۱-۱۲-۴- پیش بینی.. ۱۶

۱-۱۲-۵- تکنیک های روش توصیفی.. ۱۶

۱-۱۲-۶- قوانین انجمنی.. ۱۶

۱-۱۲-۷- خلاصه سازی (تلخیص)۱۷

۱-۱۲-۸- مدل‌سازی وابستگی (تحلیل لینک)۱۷

۱-۱۲-۹- خوشه بندی.. ۱۸

۱-۱۲-۹-۱- معیارهای ارزیابی الگوریتم‌های خوشه بندی.. ۱۸

۱-۱۲-۹-۲- طبقه بندی روش‌های خوشه بندی.. ۱۹

۱-۱۲-۱۰- الگوریتم Apriori19

۱-۱۲-۱۱- الگوریتم K-Means20

۱-۱۲-۱۱- ۱-گام ‌های الگوریتم k-means20

۱-۱۲-۱۱-۲- ویژگی‌های الگوریتم k-means20

۱-۱۲-۱۱-۳- رفع اشکالات الگوریتم k-means:21

۱-۱۲-۱۲- شبکه های عصبی.. ۲۱

۱-۱۲-۱۳- درخت تصمیم. ۲۲

۱-۱۳- روش پیشنهادی.. ۲۳

۱-۱۴- جامع آماری و نمونه آماری.. ۲۳

۱-۱۵- مراحل پژوهش… ۲۳

۱-۱۶-پیش پردازشداده ها۲۵

۱-۱۷- معرفی مشخصه ها۲۶

۱-۱۸- مشخصه هدف.. ۲۷

۱-۱۹- انتخاب مشخصه. ۲۷

۱-۲۰- نرم افزارهای داده کاوی.. ۲۷

۱-۲۱- پیاده سازی مدل های داده کاوی.. ۳۰

۱-۲۱-۱- درخت تصمیم. ۳۰

۱-۲۱-۲- تحلیل درخت تصمیم. ۳۰

منابع ۳۴

شکل ۱-۱- دسته بندی پژوهش ها در زمینه ی داده کاوی.. ۴

شکل ۱-۲- نمودار پردازش اطلاعات.. ۶

شکل۱-۳- مدیریت داده ها۶

شکل ۱-۴- ساختار بانک اطلاعاتی.. ۷

شکل ۱-۵- تجزیه و تحلیل KDD. 8

شکل ۱-۶- یک شبکه عصبی با یک لایه پنهان. ۲۲

شکل ۱-۷- مراحل پژوهش… ۲۵

شکل ۱-۸- درخت تصمیم. ۳۱

شکل ۱-۹- درخت تصمیم. ۳۲

شکل ۱-۱۰- درخت تصمیم ۳۳