Luận văn tập trung tìm hiểu phương pháp phân cụm tích lũy, phân tích nghiệp vụ của Ngân hàng Quân đội và tập dữ liệu khách hàng, đồng thời qua đó nêu ra cách áp dụng và xây dựng cài đặ[r]
Trang 1Phương pháp phân cụm tích lũy và áp dụng tại Ngân hàng Thương mại cổ phần Quân đội
Phạm Thị Ánh
Trường Đại học Công nghệ Luận văn ThS ngành: Hệ thống thông tin; Mã số: 60 48 05
Người hướng dẫn: PGS.TS Hà Quang Thụy
Năm bảo vệ: 2011
Abstract Trình bày khái niệm phân cụm, các phương pháp phân cụm điển hình,
xem xét các điểm mạnh, điểm yếu của từng phương pháp này Trình bày một phương pháp phân cụm mới được đưa ra là phân cụm tích lũy - phương pháp phân cụm tích lũy dựa trên phương pháp k-means được khảo sát sâu nhằm áp dụng vào bài toán ứng dụng Phân tích mô hình hoạt động kinh doanh của Ngân hàng Quân
đội (MB) và xem xét cách thức áp dụng khai phá dữ liệu trong Ngân hàng này
Keywords Công nghệ thông tin; Dữ liệu; Ngân hàng; Phân cụm tích lũy; Phương
pháp phân cụm
Content
Những năm gần đây, ngành công nghệ thông tin chuyên nghiên cứu về các thuật toán
và phương pháp sử dụng trong lĩnh vực khai phá dữ liệu đã có những bước tiến mới song song cùng với sự phát triển của ngành tin học nói chung Đã có nhiều thuật toán mới được đưa ra nhằm trích rút thông tin, phân loại dự đoán đặc điểm của dữ liệu từ tập dữ liệu có trước Đây là điều rất quan trọng đối với một xã hội phát triển trong đó đòi hỏi nhu cầu hiệu quả trong hoạt động
Trong vài năm trở lại đây, nhu cầu dự đoán hành vi khách hàng của các Ngân hàng đang tăng cao Ngân hàng Quân đội (MB) cũng không nằm ngoài xu hướng trên Mục đích của các Ngân hàng là làm thế nào để biết được rằng một khách hàng sẽ có khả năng cao là sử dụng một dịch vụ cụ thể của mình Để giải quyết bài toán trên, phương pháp khai phá dữ liệu, dùng những thông tin có từ trước về tập khách hàng cũ để dự đoán hành vi của khách hàng mới Tuy nhiên, vấn đề là phải áp dụng phương pháp nào để đảm bảo rằng công việc dự đoán
là có hiệu quả nhất
Một trong những phương pháp hiện đại được đưa ra trong năm vừa rồi là phương pháp phân cụm tích lũy dựa trên một số phương pháp truyền thống Nguyên tắc chung của phương pháp là áp dụng lặp lại nhiều lần đối với việc phân cụm để tạo ra nhiều cụm đã được phân cụm, rồi dựa trên các thông tin này để xây dựng lại các cụm Công việc này sẽ đảm bảo rằng việc phân cụm là chính xác
Luận văn tập trung tìm hiểu phương pháp phân cụm tích lũy, phân tích nghiệp vụ của Ngân hàng Quân đội và tập dữ liệu khách hàng, đồng thời qua đó nêu ra cách áp dụng và xây dựng cài đặt ứng dụng dựa trên thuật toán phân cụm tích lũy dựa trên phương pháp k-means
để dự đoán hành vi khách hàng mới
Trang 2Nội dung của bản luận văn gồm có phần mở đầu, bốn chương và phần kết luận
Chương 1 Luận văn trình bày khái niệm phân cụm, các phương pháp phân cụm điển hình, xem xét các điểm mạnh, điểm yếu của từng phương pháp này
Chương 2 Luận văn trình bày một phương pháp phân cụm mới được đưa ra là phân cụm tích lũy Phương pháp phân cụm tích lũy dựa trên phương pháp k-means được khảo sát
sâu nhằm áp dụng vào bài toán ứng dụng
Chương 3 Chương này, luận văn sẽ phân tích mô hình hoạt động kinh doanh của Ngân hàng Quân đội (MB) và xem xét cách thức áp dụng khai phá dữ liệu trong Ngân hàng này
Chương 4 Trong chương 3 luận văn đã phân tích thực trạng hoạt động kinh doanh cũng như việc lưu trữ dữ liệu của Ngân hàng Quân đội và nhu cầu cần thiết phải có một chương trình để có khả năng khai thác dữ liệu khách hàng đã có nhằm mục đích quảng bá hình ảnh và dịch vụ của Ngân hàng Quân đội, nhằm duy trì khách hàng đã có và có thêm khách hàng mới Trong chương này sẽ tiến hành xây dựng ứng dụng nhằm phục vụ cho mục tiêu khai phá dữ liệu đã đề ra, đồng thời xây dựng và thực hiện các phương án thực nghiệm kết quả của ứng dụng
Luận văn này được thực hiện dưới sự hướng dẫn khoa học của TS Hà Quang Thụy
và được hỗ trợ một phần từ Đề tài QG.10-38 Tôi xin chân thành cảm ơn sâu sắc tới Thầy đã chỉ dẫn tận tình giúp tôi có thể hoàn thành bản luận văn này Tôi xin chân thành cảm ơn các thầy giáo và các bạn trong bộ môn Các Hệ thống Thông tin đã có những góp ý hữu ích trong quá trình thực hiện bản luận văn
References
Tiếng Anh
1 Jiawei Han and Micheline Kamber (2000) Data Mining: Concepts and Techniques, Simon Fraser University
2 Mario A.T Figueiredo, Anil K Jain (2002), Unsupervised Learning of Finite Miture Models
3 Ana L N Fred, Anil K Jain (2002) Data Clustering Using Evidence Accumulation,ICPR (4) 2002: 276-280
4 Ana L N Fred (2001) Finding Consistent Clusters in Data Partitions Multiple Classifier Systems 2001: 309-318
5 Rạjanish Dass Indian Institute of Management Ahmedabad (2009) DataMining in banking and finance
6 Daniel Ramage, Paul Heymann, Christopher D Manning, Hector Garcia-Molina (2009) Clustering the tagged web, WSDM 2009: 54-63
7 Brian Kulis, Sugato Basu, Inderjit S Dhillon, Raymond J Mooney (2009) Semi-supervised graph clustering: a kernel approach, Machine Learning 74(1): 1-22 (2009)
8 Antonello Panuccio, Manuele Bicego, Vittorio Murino (2002) A Hidden Markov Model-Based Approach to Sequential Data Clustering, SSPR/SPR 2002: 734-742
9 Ana L N Fred, Anil K Jain (2005) Combining Multiple Clusterings Using Evidence Accumulation, IEEE Trans Pattern Anal Mach Intell 27(6): 835-850 (2005)
10 Pedro Casas, Johan Mazel, Philippe Owezarski, Yann Labit (2010) Sub-Space Clustering and Evidence Accumulation for Unsupervised Anomaly Detection in IP Networks, http://hal.archives-ouvertes.fr/docs/00/48/54/27/PDF/paperIMC10.pdf
11 Ana L N Fred, Anil K Jain (2006) Learning Pairwise Similarity for Data Clustering ICPR (1) 2006: 925-928
12 Xuqing Zhang, Fei Wu, Yueting Zhuang (2008), Clustering by Evidence Accumulation
on Affinity Propagation, IEEE