پایان نامه با کلید واژه های شخص ثالث، بهره بردار

خسارت نيز به عنوان تعهد شرکتهاي بيمه منجر به کاهش سود و در بعضي موارد موجب زيان يک شرکت بيمه مي شود. خسارت مي تواند بدلايل مختلف رخ دهد و يا عملي ديگر به گونه اي خسارت جلوه داده شود که در واقع اينچنين نيست[Derrig et. al 2006].
عواملي از قبيل فرهنگ رانندگي، داشتن گواهينامه رانندگي، نوع گواهينامه و تطابق يا عدم تطابق آن با وسيله نقليه، جاده هاي بين شهري و خيابانهاي داخل شهر که شهرداري ها و ادارات راه را به چالش مي کشد، تقلب، وضعيت آب و هوا، کيفيت خودروي خودرو سازان، سن راننده، سواد راننده، عدم تطابق حق بيمه با مورد بيمه [Wilson 2003]، روزهاي تعطيل، مسافرتها و بسياري موارد ديگر مي توانند موجب خسارت و در نهايت افزايش زيان يک شرکت بيمه اي گردند.
بيمه صنعتي سودمند، ضروري و مؤثر در توسعه اقتصادي است. اين صنعت بدليل “افزايش امنيت در عرصه هاي مختلف زندگي و فعاليتهاي اقتصادي”، “افزايش سرمايه گذاري و اشتغال و رشد اقتصادي” و ” ارتقاي عدالت اقتصادي و کاهش فقر ناشي از مخاطرات “، حائز جايگاه مهمي در پيشرفت و تعالي يک کشور است.
با وجود نقش مهم بيمه در بسترسازي و تأمين شرايط مساعد اقتصادي، وضعيت کنوني اين صنعت در اقتصاد ملي با وضعيت مطلوب آن فاصله زيادي دارد. عدم آشنايي عمومي و کم بودن تقاضا براي محصولات بيمه اي، دانش فني پايين در عرصه خدمات بيمه اي، عدم تطابق ريسک با حق بيمه، تفاوت فاحش در مقايسه معيارهاي تشخيص ريسک بيمه شخص ثالث با نوع بيمه معادل در کشورهاي توسعه يافته، وجود نارسايي ها در مديريت واحدهاي عرضه بيمه از دلايل عدم توسعه مناسب اين صنعت در کشور است. از آنجا که بشر در طول تاريخ به کمک علم و تجربه رستگاري ها و توفيقات فراواني کسب کرده است، نگاه علمي تر به مشکلات اين صنعت و يافتن راه حل در بستر علم مي تواند راه گشا باشد.
امروزه بوسيله روشهاي داده کاوي ارتباط بين فاکتورهاي مختلف موثر يا غير موثر در يک موضوع مشخص مي شود و با توجه به اينکه داده کاوي ابزاري مفيد در استخراج دانش از داده هاي انبوه مي باشد که ارتباطات نهفته بين آنها را نشان مي دهد، شرکتهاي تجاري بازرگاني رو به اين تکنيکها آورده اند.
داده کاوي محدود به استفاده از فناوري ها نيست و از هرآنچه که برايش مفيد واقع شود استفاده خواهد کرد. با اين وجود آمار و کامپيوتر پر استفاده ترين علوم و فناوري هاي مورد استفاده داده کاوي است.
تعريف داده کاوي
داده کاوي روند کشف قوانين و دانش ناشناخته و مفيد از انبوه داده ها و پايگاه داده است[ Liu et. al 2012].
انجام عمل داده کاوي نيز مانند هر عمل ديگري مراحل خاص خود را دارد که به شرح زير مي باشند:
1-جدا سازي داده مفيد از داده بيگانه
2-يکپارچه سازي داده هاي مختلف تحت يک قالب واحد
3-انتخاب داده لازم از ميان ديگر داده ها
4- انتقال داده به محيط داده کاوي جهت اکتشاف قوانين
5-ايجاد مدلها و الگوهاي مرتبط بوسيله روشهاي داده کاوي
6-ارزيابي مدل و الگوهاي ايجاد شده جهت تشخيص مفيد بودن آنها
7-انتشار دانش استخراج شده به کاربران نهايي
تعريف بيمه
بيمه: بيمه عقدي است كه به موجب آن يك طرف تعهد مي كند در ازاء پرداخت وجه يا وجوهي از طرف ديگر در صورت وقوع يا بروز حادثه خسارت وارده بر او را جبران نموده يا وجه معيني بپردازد. متعهد را بيمه گر طرف تعهد را بيمه گذار وجهي را كه بيمه گذار به بيمه گر مي پردازد حق بيمه و آنچه را كه بيمه مي شود موضوع بيمه نامند]ماده يک قانون بيمه مصوب 7/2/1316[.
هدف پايان نامه
در اين پژوهش سعي شده است با استفاده از تکنيکهاي داده کاوي اقدام به شناسايي فاکتورهاي تاثير گذار در سود و زيان بيمه شخص ثالث خودرو شرکتهاي بيمه نموده و ضريب تاثير آنها را بررسي نماييم. الگوريتم هاي استفاده شده در اين پژوهش شامل دسته بند ها، خوشه بند ها، درخت هاي تصميم و قوانين انجمني بوده است.
مراحل انجام تحقيق
در اين پايان نامه با استفاده از روشهاي داده کاوي با استفاده از بخشي از داده هاي صدور و خسارت يک سال شرکت بيمه مدل شده و از روي آنها يک الگو ساخته مي شود. در واقع به اين طريق به الگوريتم ياد داده مي شود که ارتباطات بين داده ها، منجر به چه نتايجي مي شود. سپس بخشي از داده ها که در مرحله قبل از آن استفاده نشده بود به مدل ايجاد شده داده مي شود ونتايج توسط معيارهاي علمي مورد ارزيابي قرار ميگيرند. بمنظور آزمايش عملکرد مي توان داده هاي ديگري به مدل داده شود و نتايج حاصله با نتايج واقعي موجود مقايسه شوند.
ساختار پايان نامه
اين پايان نامه شامل چهارفصل خواهد بود که فصل اول شامل يک مقدمه و ضرورت پژوهش انجام شده و هدف اين پژوهش است. در فصل دوم برخي تکنيک هاي داده کاوي و روشهاي آن مطرح و تحقيقاتي که قبلا در اين زمينه انجام شده مورد بررسي قرار مي گيرند. در فصل سوم به شرح مفصل پژوهش انجام شده و نرم افزار داده کاوي مورد استفاده در اين پايان نامه مي پردازيم و با کمک تکنيک هاي داده کاوي مدل هايي ارائه مي شود و مدلهاي ارائه شده درهرگروه با يکديگر مقايسه شده و بهترين مدل از ميان آنها انتخاب مي گردد. در فصل چهارم مسائل مطرح شده جمع بندي شده و نتايج حاصله مطرح خواهند شد و سپس تغييراتي که در آينده در اين زمينه مي توان انجام داد پيشنهاد مي شوند.
فصل دوم
ادبيات موضوع و تحقيقات پيشين
در اين فصل ابتدا مروري بر روشهاي داده کاوي خواهيم داشت سپس به بررسي تحقيقات پيشين مي پردازيم.
داده کاوي و يادگيري ماشين
داده کاوي ترکيبي از تکنيک هاي يادگيري ماشين، تشخيص الگو، آمار، تئوري پايگاه داده و خلاصه کردن و ارتباط بين مفاهيم و الگوهاي جالب به صورت خودکار از پايگاه داده شرکتهاي بزرگ است. هدف اصلي داده کاوي کمک به فرآيند تصميم گيري از طريق استخراج دانش از داده هاست [Alpaydin 2010].
هدف داده کاوي آشکار کردن روندها يا الگوهايي که تا کنون ناشناخته بوده اند براي گرفتن تصميمات بهتر است که اين هدف را بوسيله به کارگيري روشهاي آماري همچون تحليل لجستيک و خوشه بندي و همچنين با استفاده از روشهاي تحليل داده به دست آمده از رشته هاي ديگر )همچون شبکه هاي عصبي در هوش مصنوعي و درختان تصميم در يادگيري ماشين( انجام ميدهد[Koh & Gervis 2010] . چون ابزارهاي داده کاوي روند ها و رفتارهاي آينده را توسط رصد پايگاه داده ها براي الگوهاي نهان پيش بيني مي کند با عث مي شوند که سازمان ها تصميمات مبتني بر دانش گرفته و به سوالاتي که پيش از اين حل آنها بسيار زمان بر بود پاسخ دهند [Ramamohan et. al 2012 ] .
داده کاوي يک ابزار مفيد براي کاوش دانش از داده حجيم است. [Patil et. al 2012 ]. داده کاوي يافتن اطلاعات بامعناي خاص ازيک تعداد زيادي ازداده بوسيله بعضي ازفناوري ها به عنوان رويه اي براي کشف دانش ازپايگاه داده است، که گام هاي آن شامل موارد زير هستند [Han and Kamber 2001] .
1-پاک سازي داده ها :حذف داده داراي نويز و ناسازگار
2-يکپارچه سازي داده: ترکيب منابع داده گوناگون
3-انتخاب داده: يافتن داده مرتبط با موضوع از پايگاه داده
4-تبديل داده: تبديل داده به شکل مناسب براي کاوش
5-داده کاوي: استخراج مدل هاي داده با بهره گيري از تکنولوژي
6- ارزيابي الگو: ارزيابي مدل هايي که واقعا براي ارائه دانش مفيد هستند
7-ارائه دانش: ارائه دانش بعد ازکاوش به کاربران بوسيله استفاده از تکنولوژيهايي همچون ارائه بصري [Lin & Yeh 2012] .
ابزارها و تکنيک هاي داده کاوي
با توجه به تنوع حجم و نوع داده ها، روش هاي آماري زيادي براي کشف قوانين نهفته در داده ها وجود دارند. اين روش ها مي توانند با ناظر يا بدون ناظر باشند. [Bolton & Hand 2002] در روش هاي با ناظر، نمونه هايي از مواردخسارتي موجود است و مدلي ساخته مي شود که براساس آن، خسارتي يا غير خسارتي بودن نمونه هاي جديد مشخص مي شود. اين روش جهت تشخيص انواع خسارت هايي مناسب است که از قبل وجود داشته اند]فولادي نيا و همکاران 1392[ .
روش هاي بدون ناظر، به دنبال کشف نمونه هايي هستند که کمترين شباهت را با نمونه هاي نرمال دارند. براي انجام فعاليت هايي که در هر فاز داده کاوي بايد انجام شود از ابزارها و تکنيک هاي گوناگوني چون الگوريتمهاي پايگاه داده، تکنيکهاي هوش مصنوعي، روشهاي آماري، ابزارهاي گرافيک کامپيوتري و مصور سازي استفاده مي شود. هر چند داده کاوي لزوما به حجم داده زيادي بعنوان ورودي نياز ندارد ولي امکان دارد در يک فرآيند داده کاوي حجم داده زيادي وجود داشته باشد.
در اينجاست که از تکنيک ها وابزارهاي پايگاه داده ها مثل نرمالسازي، تشخيص و تصحيح خطا و تبديل داده ها بخصوص در فازهاي شناخت داده و آماده سازي داده استفاده مي شود. همچنين تقريبا در اکثرفرآيند هاي داده کاوي از مفاهيم، روشها و تکنيک هاي آماري مثل روشهاي ميانگين گيري )ماهيانه، ساليانه و . . . (، روشهاي محاسبه واريانس و انحراف معيار و تکنيک هاي محاسبه احتمال بهره برداري هاي فراواني مي شود. يکي ديگر از شاخه هاي علمي که به کمک داده کاوي آمده است هوش مصنوعي مي باشد.
هدف هوش مصنوعي هوشمند سازي رفتار ماشينها است. مي توان گفت تکنيک هاي هوش مصنوعي بطور گسترده اي در فرآيند داده کاوي به کار مي رود بطوريکه بعضي از آماردانها ابزارهاي داده کاوي را بعنوان هوش آماري مصنوعي معرفي مي کنند.
قابليت يادگيري بزرگترين فايده هوش مصنوعي است که بطور گسترده اي در داده کاوي استفاده مي شود. تکنيک هاي هوش مصنوعي که در داده کاوي بسيار زياد مورد استفاده قرار مي گيرند عبارتند از شبکه هاي عصبي، روشهاي تشخيص الگوي يادگيري ماشين و الگوريتمهاي ژنتيک ونهايتا تکنيک ها و ابزارهاي گرافيک کامپيوتري و مصور سازي که بشدت در داده کاوي بکار گرفته مي شوند و به کمک آنها مي توان داده هاي چند بعدي را به گونه اي نمايش داد که تجزيه وتحليل نتايج براي انسان براحتي امکان پذير باشد [Gupta 2006].
روشهاي داده کاوي
عمده روشهاي داده کاوي عبارتند از روشهاي توصيف داده ها، روشهاي تجزيه و تحليل وابستگي، روشهاي دسته بندي و پيشگويي، روشهاي خوشه بندي، روشهاي تجزيه و تحليل نويز.
مي توان روش هاي مختلف کاوش داده را در دو گروه روش هاي پيش بيني و روش هاي توصيفي طبقه بندي نمود. روش هاي پيش بيني در متون علمي به عنوان روش هاي با ناظر1 نيزشناخته مي شوند. روش هاي دسته بندي2، رگرسيون3 و تشخيص انحراف4 از روشهاي يادگيري مدل در داده کاوي با ماهيت پيش بيني هستند. در الگوريتم هاي دسته بندي مجموعه داده اوليه به دو مجموعه داده با عنوان مجموعه داده هاي آموزشي5 و مجموعه داده هاي آزمايشي6 تقسيم مي شود که با استفاده از مجموعه داده هاي آموزشي مدل ساخته مي شود و از مجموعه داده هاي آزمايشي براي اعتبار سنجي و محاسبه دقت مدل ساخته شده استفاده مي شود. هررکورد شامل يک مجموعه ويژگي است.
يکي از ويژگي ها، ويژگي دسته ناميده مي شود و در مرحله آموزش براساس مقادير ساير ويژگي ها براي مقادير ويژگي دسته، مدل ساخته مي شود. روشهاي توصيفي الگوهاي قابل توصيفي را پيدا ميکنند که روابط حاکم بر داده ها را بدون در نظرگرفتن هرگونه برچسب و يا متغيرخروجي تبيين نمايند. درمتون علمي روشهاي توصيفي با نام روشهاي بدون ناظر7 نيز شناخته مي شون

دیدگاهتان را بنویسید

Close Menu