شناسایی تراکنش های موفق و ناموفق در دستگاههای خودپرداز با استفاده از الگوریتم شبکه عصبی MLP در Matlab

درخواست انجام پروژه مشابه

- از این طریق میتواندی پروژه مشابه ای را با
زبان برنامه نویسی دلخواه سفارش دهید .

آموزش آنلاین این پروژه

- مطابق درخواست شما، بصورت آنلاین طریقه
ساخت این پروژه به شما آموزش داده خواهد شد.

- در صورت نیاز به آموزش آنلاین نحوه ساخت این پروژه توسط نرم افزارهای آموزش راه دور و یا درخواست تهیه پروژه مشابه، کافیست با شماره تماس 09179221734 یا آدرس ایمیل behnam.h1368@gmail.com هماهنگی های لازم را انجام دهید.

توضیحات تکمیلی پروژه :

در این پروژه که با زبان برنامه نویسی متلب نوشته شده است با استفاده از الگوریتم MLP که یکی از مهمترین الگوریتم های شبکه عصبی است تراکنش های موفق و نا موفق مشتریان را شناسایی کرده و میزان دقت و خطا را بر می گرداند.

پس از جمع آوری اطلاعات مربوط به ATM، در نهایت در حدود 64 هزار نمونه از تراکنش های موفق و ناموفق مشتریان و مراجعه کنندگان به دستگاه خودپرداز جمع آوری گردیده است.

منابع داده(دیتاست)

نمونه های بدست آمده دارای یک سری ویژگی ها بوده که عبارتند از :

  • ویژگی detail2 : جزئیات تراکنش را در قالب عدد نشان می دهد.
  • ویژگی debtor : میزان بدهکاری را مشخص می کند.
  • ویژگی Creditor : میزان وجه
  • ویژگی NO_CARD : شماره کارتی که تراکنش از آن انجام شده است.
  • ویژگی NO_TRACONESH : کد تراکنش انجام شده
  • ویژگی CODE ATM : کد دستگاه خودپرداز
  • ویژگی Date : تاریخ انجام تراکنش در خود پرداز
  • ویژگی Time : زمان دقیق انجام تراکنش
  • ویژگی class : نوع تراکنش که آیا موفق است یا خیر. تراكنشهاي atm در سه دسته طبقه بندي شده اند 1- حالت موفق 2 - حالت ناموفق كه بعد از مدت زمان معيني با همان شماره تراكنش مبلغ به حساب مشتري برگشت داده شده 3- حالت ناموفق كه اصلا وجه كسر شده به حساب مشتري برگشت داده نشده

پیش پردازش داده ها

در هنگام پیش پردازش داده ها به دلیل اینکه مقادیر فارسی و رشته ای در دیتاست وجود دارد و الگوریتم های استفاده شده داده های رشته ای را نمی پذیرند بنابراین مجبور شدیم که داده ها ی رشته ای را به عددی تبدیل نمائیم. داده های نوع تراکنش " موفق یا ناموفق" را به اعداد 0 و 1 تبدیل می کنیم. در صورتیکه نوع تراکنش موفق بود، مقدار 1 و در غیره اینصورت مقدار 0 را جایگزین می کنیم.

در نهایت نیز میزان دقت الگوریتم MLP بروی داده ها جهت دسته بندی تراکنش ها با تعداد 1 لایه پنهان برابر با 84.20% است. همچنین میزان معیار ارزیابی recall برای تراکنش های موفق 99.8% و برای تراکنش های ناموفق 0.83% است. میزان معیار ارزیابی precision برای تراکنش های موفق در حدود 84.32% بوده و برای تراکنش های ناموفق برابر با 50% است. میزان خطای واقعی یا MAE روش فوق برابر با 0.257 و میزان مجذور خطا یا RMSE برابر با 0.359 است. لازم به ذکر است که با افزایش تعداد تکرار دقت روش افزایش می یابد.


امکانات پروژه :

fluoxetine

fluoxetine annhil.nl

  1. تحویل داکیومنت 11 صفحه ای از خروجی ها و نتایج بدست آمده
  2. تحویل سورس فایل های تهیه شده
  3. ارائه کامنت های مربوط به هر خط یا بلاک نوشته شده
  4. دانلود سورس پروژه بلافاصله پس از خرید همراه با تحویل کد پیگیری

برچسپ ها :

الگوریتم MLP، سورس الگوریتم MLP، پروژه الگوریتم MLP، داکیومنت الگوریتم MLP، پیاده سازی الگوریتم MLP، کشف تقلب در دستگاه خودپرداز، پروژه کشف تقلب در دستگاه خودپرداز، سورس کشف تقلب در دستگاه خودپرداز، پیاده سازی کشف تقلب در دستگاه خودپرداز، شبیه سازی کشف تقلب در دستگاه خودپرداز، کشف تقلب با MLP در متلب، پروژه کشف تقلب در دستگاه خودپرداز با متلب، شناسایی تراکنش موفق با MPL، پروژه شناسایی تراکنش موفق با MPL با متلب، سورس شناسایی تراکنش موفق با MPL با متلب، شناسایی تراکنش موفق با MPL با matlab، پیاده سازی شناسایی تراکنش موفق با MPL، شناسایی تراکنش ناموفق با MPL، پروژه شناسایی تراکنش ناموفق با MPL با متلب، سورس شناسایی تراکنش ناموفق با MPL با متلب، شناسایی تراکنش ناموفق با MPL با matlab، پیاده سازی شناسایی تراکنش ناموفق با MPL، ناب پروژه، انجام پروژه دانشجویی