ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CƠNG NGHỆ THƠNG TIN  CAO HỌC KHĨA MÔN HỌC HỆ HỖ TRỢ RA QUYẾT ĐỊNH ĐỀ TÀI NEURAL NETWORK VÀ ỨNG DỤNG TRONG NHẬN DIỆN THẺ TÍN DỤNG XẤU Giảng viên hướng dẫn: PGS.TS Đỗ Phúc Học viên thực hiện: CH1301031 - Nguyễn Thành Phương Lớp: CH08 TP Hồ Chí Minh, tháng năm 2014 GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương MỤC LỤC CHƯƠNG 1: TỔNG QUAN 1.1 Lý chọn đề tài .1 1.2 Mục đích nghiên cứu .2 1.3 Nội dung nghiên cứu 1.4 Bố cục báo cáo CHƯƠNG 2: MẠNG NEURAL 2.1 Cấu trúc mơ hình neural nhân tạo .3 2.2 Lớp neural 2.3 Khái niệm phân loại mạng neural .6 2.4 Các thủ tục học mạng 11 2.5 Giải thuật lan truyền ngược 15 CHƯƠNG 3: TÌM HIỂU VIỆC ĐÁNH GIÁ RỦI RO THẺ TÍN DỤNG 20 3.1 Mở đầu 20 3.2 Thẻ tín dụng 20 3.3 Khả rủi ro thẻ tín dụng 20 CHƯƠNG 4: THUẬT TOÁN VÀ MƠ HÌNH CỦA ỨNG DỤNG MINH HỌA 22 4.1 Thuật tốn mơ hình 22 4.2 Các biến input 22 4.3 Các bước chạy thử kết chương trình 23 CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 27 5.1 Kết 27 5.2 Hạn chế 27 GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang CHƯƠNG 1: TỔNG QUAN 1.1 Lý chọn đề tài Bộ não người máy tính kì diệu, từ lâu người nghĩ tới viêc xây dựng mơ hình tính tốn, mơ q trình hoạt động não người Trước đây, cơng cụ tính tốn chưa phát triển mạnh nên ý tưởng nằm phịng thí nghiệm người nghiên cứu biết Khi máy tính điện tử, cơng cụ chủ yếu công nghệ thông tin đại, phát triển tới mức độ cao ý tưởng thực hoá Chất lượng khối lượng hoạt động trí óc khơng ngừng tăng lên theo tiến triển nhanh chóng khả lưu trữ xử lý thông tin máy Từ hàng chục năm nay, với khả tính tốn khoa học kỹ thuật khơng ngừng nâng cao, hệ thống máy tính ứng dụng thực nhiều mơ hình tính tốn thơng minh để phục vụ cho ngành kinh tế, xã hội, hình thành dần kết cấu hạ tầng thơng tin quốc gia, móng phát triển kinh tế thông tin nhiều nước Sự phong phú thông tin, liệu với khả kịp thời khai thác chúng mang đến suất chất lượng cho công tác quản lý, hoạt động kinh doanh, phát triển sản xuất dịch vụ Một mơ hình tính tốn thơng minh đó, ta phải kể đến mạng Neural nhân tạo Điểm định nên tồn phát triển người não Cùng với phát triển vũ bão công nghệ thông tin thời đại ngày nay, người sử dụng não để tư duy, để tạo mạng Neural nhân tạo thực tính tốn làm điều huyền bí, tưởng chừng nan giải! Với kết hợp kỳ diệu tin học sinh học, người mơ hoạt động mạng noron não thông qua chương trình máy tính Có lẽ mạng Neural khơng hấp dẫn người u thích cơng nghệ thông tin khả người huấn luyện, mà ứng dụng thực tiễn sống Chúng ta hồn tồn nhận dạng dấu vết vân tay tội phạm hình sự, dự đốn thị trường chứng khốn, dự đốn thời tiết, dự tốn chi phí cho dự án đường cao tốc, khôi phục ảnh, hay xe lăn dành cho người khuyết tật nhận mệnh lệnh điều khiển cử chỉ, hành GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang động, chí suy nghĩ người ngồi xe v.v… nhờ có mạng Neural nhân tạo Neural network ứng dụng nhiều lĩnh vực kể lĩnh vực thu hút kinh tế Các nhà kinh doanh muốn dự đoán giá lên xuống cổ phiếu, ngân hàng muốn dự đốn tài khoản tín dụng có tin tưởng hay khơng … tất thực với trợ giúp mạng Neural Trong khuôn khổ báo cáo khoa học, nhóm em chọn đề tài “Ứng dụng neural network nhận diện thẻ tín dụng xấu” nhằm tìm hiểu chung mạng thuật toán huấn luyện mạng neural, bên cạnh ứng dụng mạng neural vào việc dự đốn độ rủi ro thẻ tín dụng 1.2 Mục đích nghiên cứu - Tìm hiểu mạng neural ứng dụng - Nghiên cứu bước xây dựng ứng dụng nhờ mạng Neural - Nghiên cứu cách ứng dụng mạng Neural để dự đoán độ rủi ro thẻ tín dụng 1.3 Nội dung nghiên cứu - Mạng Neural - Một giải thuật học mạng Neural với trọng số - Thẻ tín dụng cách nhận diện rủi ro neural network 1.4 Bố cục báo cáo - Chương 1: Tổng quan - Chương 2: Mạng neural - Chương 3: Tìm hiểu việc đánh giá rủi ro thẻ tín dụng - Chương 4: Thuật tốn mơ hình mạng Neural mờ sử dụng ứng dụng - Chương 5: Kết luận hướng phát triển GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang CHƯƠNG 2: MẠNG NEURAL 2.1 Cấu trúc mơ hình neural nhân tạo Mơ hình tốn học mạng neural sinh học đề xuất McCulloch Pitts, thường gọi Neural M-P, cịn gọi phần tử xử lý ký hiệu PE (Processing Element) Mơ hình Neural có m đầu vào x1, x2, , xm, đầu yi sau: Hình 2.1 Mơ hình Neural nhân tạo Giải thích thành phần bản: - Tập đầu vào: Là tín hiệu vào Neural, tín hiệu thường đưa vào dạng vector m chiều - Tập liên kết (các trọng số): Mỗi liên kết thể trọng số (thường gọi trọng số liên kết) Trọng số liên kết tín hiệu vào thứ j cho Neural i thường ký hiệu wij Thông thường trọng số khởi tạo ngẫu nhiên thời điểm khởi tạo mạng cập nhật liên tục trình học mạng - Bộ tổng (Hàm tổng): Thường dùng để tính tổng tích đầu vào với trọng số liên kết - Ngưỡng: Ngưỡng thường đưa vào thành phần hàm truyền GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang - Hàm truyền: Hàm dùng để giới hạn phạm vi đầu Neural Nó nhận đầu vào kết hàm tổng ngưỡng cho Thông thường, phạm vi đầu Neural giới hạn đoạn [0,1] [-1,1] Các hàm truyền đa dạng, hàm tuyến tính phi tuyến Việc lựa chọn hàm truyền tùy thuộc vào toán kinh nghiệm người thiết kế mạng - Đầu ra: Là tín hiệu đầu Neural, với Neural có tối đa đầu Về mặt toán học, cấu trúc Neural i mô tả cặp biểu thức sau: n yi  f (neti   i ) neti   wij x j j 1 đó: x1, x2, …xm tín hiệu đầu vào, cịn wi1, wi2,…,wim trọng số kết nối Neural thứ i, neti hàm tổng, f hàm truyền,  i ngưỡng, yi tín hiệu đầu Neural Hàm truyền có dạng sau: - Hàm bước 1 x  y 0 x  (1) - Hàm giới hạn chặt (hay gọi hàm bước)  x  y  sgn( x)    x  (2) - Hàm bậc thang x 1 1  y  sgn( x)   x  x  0 x0  (3) - Hàm ngưỡng đơn cực y 1  e  x với λ>0 GVHD: PGS.TS Đỗ Phúc (4) HV: Nguyễn Thành Phương Trang - Hàm ngưỡng hai cực y  với λ>0  ex (5) Đồ thị dạng hàm truyền biểu diễn sau: Hình 2.2 Đồ thị dạng hàm truyền 2.2 Lớp neural Một lớp bao gồm nhóm noron tổ chức theo cách cho tất chúng nhận vecto đầu vào X để xử lý thời điểm Việc sản sinh Net đầu vào, biến đổi thành tín hiệu Out xuất lúc tất noron Vì noron lớp sản sinh Net đầu vào tín hiệu Out riêng nên tất tín hiệu tổ chức thành vecto Net Out Các vecto Out dùng tín hiệu vào X noron Hình vẽ sau ví dụ lớp có noron vecto tín hiệu vào có biến GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang Hình 2.3 Lớp neural 2.3 Khái niệm phân loại mạng neural 2.3.1 Mạng neural lớp Mỗi Neural phối hợp với Neural khác tạo thành lớp trọng số Mạng lớp truyền thẳng hình Một lớp Neural nhóm Neural mà chúng có trọng số, nhận tín hiệu đầu vào đồng thời Hình 2.4 Mạng truyền thẳng lớp Trong ma trận trọng số, hàng thể Neural, hàng thứ j đặt nhãn vector wj Neural thứ j gồm m trọng số wji Các trọng số cột thứ j (j=1,2, ,n) đồng thời nhận tín hiệu đầu vào xj wj = [wj1, wj2, , wjm] Tại thời điểm, vector đầu vào x = [x1, x2, , xn ] nguồn bên ngồi cảm biến thiết bị đo lường đưa tới mạng GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 2.3.2 Mạng neural truyền thẳng nhiều lớp Hình 2.5 Mạng truyền thẳng nhiều lớp Mạng neural nhiều lớp có lớp phân chia thành loại sau đây: - Lớp vào lớp Neural nhận tín hiệu vào xi (i = 1, 2, , n) Mỗi tín hiệu xi đưa đến tất Neural lớp đầu vào Thông thường, Neural đầu vào không làm biến đổi tín hiệu vào xi, tức chúng khơng có trọng số khơng có loại hàm chuyển đổi nào, chúng đóng vai trị phân phối tín hiệu - Lớp ẩn lớp Neural sau lớp vào, chúng không trực tiếp liên hệ với giới bên lớp Neural vào/ra - Lớp lớp Neural tạo tín hiệu cuối 2.3.3 Mạng neural phản hồi Mạng neural phản hồi mạng mà đầu Neural quay trở lại nối với đầu vào Neural lớp gọi mạng Laeral hình GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 14 Để dễ hình dung cơng việc này, nhớ tới công việc nhà thống kê, nhà thống kê dùng máy tính đại Vecto vào Mạng noron Tín hiệu Out Hình 2.12- Sơ đồ học không đạo 2.4.5 Học cấu trúc Viêc học cấu trúc việc tìm kiếm tham số cấu trúc mạng để tìm cấu trúc mạng hoạt động tốt Trong thực tế, việc học cấu trúc việc tìm số lớp ẩn số noron lớp Các kĩ thuật giải thuật di truyền hay lập trình tiến hố thường sử dụng thủ tục học cấu trúc Các kỹ thuật thường chạy lâu chí mạng có kích thước trung bình GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 15 2.5 Giải thuật lan truyền ngược 2.5.1 Kiến trúc mạng Hình 2.13 Mạng neral lớp GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 16 Các noron lớp thứ t nối đầy đủ với noron lớp thứ t+1 Trong nhiều ứng dụng thực tế, để đơn giản, người ta thường sử dụng mạng có lớp ẩn, số noron lớp ẩn xác định dựa kinh nghiệm, dựa kỹ thuật tìm kiếm khác Cấu trúc mạng đặc điểm tác động đến tính mềm dẻo mơ hình mà mạng sản sinh ra, số lớp, số noron cách mà chúng nối với Các đặc điểm mạng với chiến lược học lan truyền ngược sai số thường là: - Các lớp mạng noron lan truyền ngược sai số nối đầy đủ với nhau, tức tín hiệu noron lớp tín hiệu vào tất noron lớp - Mỗi noron có kết nối với Bias làm tăng khả thích nghi tăng tính mềm dẻo mạng trình học - Số noron lớp vào lớp cố định đối số chiều vecto vào vecto lời giải Chúng xác định trước phụ, thuộc vào tương ứng ứng dụng cụ thể mà mạng noron xây dựng - Thường sử dụng mạng có lớp: lớp vào, lớp ra, lớp ẩn mơ hình hố lớp tốn lớn Với thủ tục học lan truyền ngược sai số truyền thống, thông số cấu trúc (số lớp, số noron lớp) thường xác định thông qua việc thử sai Phần nhiều tác giả xây dựng mạng noron lan truyền ngược sai số nhỏ liên kết với không xây dựng mạng noron lớn Các thiết kế phần xuất phát từ khả tài ngun máy tính có hạn phần khác tập mẫu học không đủ bao phủ tồn khơng gian biến 2.5.2 Huấn luyện mạng Học có giám sát với tập mẫu {(Xp , Tp)} Thủ tục học tóm lược sau: GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 17 Mỗi đưa mẫu Xp=(xp1, …., xpni) vào mạng, ta thực công việc sau: Lan truyền mẫu Xp qua mạng để có Op = Tinh(Xp , W) Tính sai số e mạng dựa sai lệch Op-Tp Hiệu chỉnh trọng số liên kết noron dẫn tới lớp từ noron j lớp ẩn cuối tới noron i lớp ra: wij = wij + α aj δi (1.23) α hệ số học aj đầu noron j δi sai số mà noron i lớp phải chịu trách nhiệm, xác định theo δi = ei g’(Neti) (1.24) Với erri sai số thành phần thứ i e p, Neti tổng thông tin vào có trọng số noron thứ i (Neti = ∑wij aj) g’(.) đạo hàm hàm kích hoạt g dùng noron Hiệu chỉnh trọng số liên kết noron dẫn tới tất lớp ẩn từ noron thứ k sang noron thứ j Tính tổng sai số noron j phải chịu trách nhiệm δj = g’(Netj)∑ wij δi (1.25) Hiệu chỉnh trọng số wjk wjk = wjk + α ak δj (1.26) (trường hợp xét liên kết từ noron vào thứ k sang noron j lớp ẩn, ta có ak = Ik tín hiệu vào) Trường hợp xét hàm kích hoạt noron: GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 18 Ta có hệ thức g’(x) = g(x)(1 - g(x)) Từ công thức (1.23) (1.26) ta viết lại wij = wij + Δwij với Δwij = α aj δi wjk = wjk + Δwjk Δwjk=α ak δj Trong ứng dụng thực tế, người ta thường hiệu chỉnh Δwij theo nguyên tắc có ý đến thao tác trước Do Δwij(mới) = α aj δi + β Δwij(cũ) Quá trình huấn luyện mạng cần ý tới yếu tố sau: - Các trọng số ban đầu wij gán giá trị ngẫu nhiên, nhỏ - Lựa chọn hệ số học α hệ số quán tính β cho α + β ≈ 1, với β khơng lớn α q nhiều Các tín hiệu vào, nên định cỡ nằm khoảng [0, 1] Các nghiên cứu thực nghiệm nên khoảng [0.2, 0.8] 2.5.3 Sử dụng mạng Giả sử huấn luyện mạng với tập mẫu {(Xp, Yp)} để ma trận trọng số W Q trình lan truyền mạng vecto tín hiệu vào X = (x1, x2, x3) cho bởi: out = g(w64 a4 + w65 a5) = g(w64 g(w41 x1 + w42x2 + w43x3) w65 g(w51x1 + w52x2 + w53x3)) = F(X, W) *) Khả tính tốn mạng nhiều lớp: Với lớp ẩn, mạng tính toán xấp xỉ hàm liên tục với biến tín hiệu đầu vào Với hai lớp ẩn, mạng tính tốn xấp xỉ hàm Tuy vậy, số noron lớp ẩn tăng theo hàm mũ số đầu vào GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 19 chưa có sở lý luận đầy đủ để khảo sát họ hàm xấp xỉ nhờ mạng nhiều lớp GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 20 CHƯƠNG 3: TÌM HIỂU VIỆC ĐÁNH GIÁ RỦI RO THẺ TÍN DỤNG 3.1 Mở đầu Ngân hàng bạn muốn biết thẻ tín dụng xấu hay tốt để có biện pháp phịng ngừa thích hợp ? Sau đào tạo neural network liệu lịch sử, neural network phân tích xác định đặc tính phù hợp sử dụng để phân loại người nộp hồ sơ có rủi ro tín dụng tốt hay xấu 3.2 Thẻ tín dụng Thẻ tín dụng hệ thống tốn, gọi tên theo thẻ (Credit card) phát hành cho người sử dụng Trong hệ thống này, nhà phát hành thẻ cho người tiêu dùng mượn tiền để trả cho người bán hàng, trả lại sau Thẻ tín dụng cho phép người tiêu dùng "xoay vịng" nợ với chi phí tiền lãi Hầu hết thẻ tín dụng phát hành ngân hàng địa phương hay tổ chức tín dụng, có hình dạng kích thước theo tiêu chuẩn ISO 7810 3.3 Khả rủi ro thẻ tín dụng Thẻ tín dụng phát hành sau nhà cung cấp dịch vụ tín dụng duyệt chấp thuận tài khoản thẻ, sau chủ thẻ sử dụng để mua sắm điểm bán hàng chấp nhận loại thẻ Khi mua sắm, người dùng thẻ cam kết trả tiền cho nhà phát hành thẻ Chủ thẻ thể cam kết cách ký tên lên hóa đơn có ghi chi tiết thẻ với số tiền, cách nhập mật mã cá nhân (PIN) Ngoài nhiều điểm bán hàng chấp nhận cách thức xác minh qua điện thoại xác minh qua internet cho GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 21 giao dịch gọi giao dịch vắng thẻ vắng chủ thẻ (CNP - Card/Cardholder Not Present) Người ta sử dụng nhiều hệ thống điện tử để xác minh vòng vài giây tính hợp lệ thẻ kiểm tra xem hạn mức tín dụng thẻ cịn đủ chi trả cho lần mua sắm khơng Việc xác minh thực đầu đọc thẻ (POS - Point of Sale) kết nối vào ngân hàng thu nhận (acquiring bank) người bán hàng Đầu đọc đọc liệu thẻ từ dải từ tính từ vi mạch thẻ Loại thẻ sử dụng vi mạch thường gọi thẻ "chip" thẻ EMV Các nhà bán hàng trực tuyến thường sử dụng thức khác để xác minh tài khoản thẻ, chủ thẻ thường phải cung cấp thêm thơng tin mã số an ninh in mặt sau thẻ, địa chủ thẻ mật định trước Hàng tháng, chủ thẻ nhận bảng kê thể giao dịch thực thẻ, khoản phí tổng số tiền nợ Sau nhận bảng kê, chủ thẻ có quyền khiếu nại bác bỏ số giao dịch mà anh/chị ta cho không Nếu khơng khiếu nại gì, trước ngày đến hạn, chủ thẻ phải trả phần tối thiểu định trước, nhiều hơn, trả hết nợ Nhà cung cấp dịch vụ tín dụng tính lãi phần nợ (thường với lãi suất cao lãi suất hầu hết hình thức vay nợ khác) Nhiều tổ chức tài xếp việc trả nợ tự động, cắt tiền từ tài khoản ngân hàng chủ thẻ (nếu có đủ tiền) để tránh trễ hạn trả nợ * Thẻ tín dụng cơng cụ tiện lợi nhiên gây rủi ro cho người sử dụng nó, người dùng rơi vào tình trạng nợ nhiều tiền mà khơng có khả chi trả Điều ngân hàng mong muốn xác định tìa khoản tín dụng có nguy khả chi trả để có biện pháp thích hợp nhằm đảm bảo lợi ích ngân hàng Việc dự đốn thực dựa số cá nhân chủ tài khồn độ tuổi, tình trạng nhân, tình trạng việc làm số khác GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 22 CHƯƠNG 4: THUẬT TỐN VÀ MƠ HÌNH CỦA ỨNG DỤNG MINH HỌA 4.1 Thuật tốn mơ hình Chương trình sử dụng mơ hình Feedback neural networks với 20 biến input, 15 nueral lớp hidden layer Neural output layer Mạng neural huấn luyện thuật toán back propagation với 1000 liệu mẫu 4.2 Các biến input Chương trình dùng biến sau để input cho mạng neural Giải thích 20 biến input - Checking Account: tài khoản chi tiêu ngắn hạn - Term: Thời gian đáo hạn GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 23 - Credit history: Lịch sử nợ tín dụng - Purpose: Mục đích mượn để làm - Credit amount: Lượng tiền gửi vào sổ tiết kiệm - Savings account: tài khoản gửi ngân hàng dài hạn - Years in present employment: Số năm làm việc - Personal status and gender: tình trạng nhân gia đình - Other parties: Các bên đối tác - Years in present residence: Số năm nơi - Property type: Tài sản cố định có giá trị - Age: tuổi tác - Other installment plans - Housing status: tình trạng nhà - Number of existing credits: Số tài khoản tín dụng có - Installment rate: tỉ lệ trả cho mua trả góp - Job status: tình trạng nghề nghiệp - Number of dependents: số người phụ thuộc tài - Telephone - Foreign worker: có phải công nhân ngoại quốc hay không - Ta nhận thấy Số năm làm công việc lâu, tỉ lệ thẻ tín dụng xấu thấp Người lớn tuổi, người đứng tên cho số điện thoại mình, có đối tác tài khoản họ, khơng phải cơng nhân nước ngồi có khả tài khoản xấu 4.3 Các bước chạy thử kết chương trình Chương trình demo dùng thư viện Neuroph viết ngôn ngữ java Các bước đễ tạo mạng neural thư viện Neuroph:  Khởi tạo neural network (loại, tham số, số neron lớp) GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 24  Tạo trainning set  Dùng trainning set thuật tốn thích hợp để huấn luyện neural network  Save neural network  Thay đổi thông số huấn luyện Các thông số huấn luyện layer đưa dựa thực nghiệm số theo thứ tự: GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 25 Các thông số huấn luyện Kết quả: Trong 1000 dịng liệu, có 300 dịng màu đỏ thẻ tín dụng có nguy thẻ xấu ( khả chi trả) (Các thơng số kết xem kĩ file chi tiết demo)  Nhận xét : Số năm làm công việc lâu, tỉ lệ thẻ tín dụng xấu thấp GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 26 Người lớn tuổi, người đứng tên cho số điện thoại mình, có đối tác tài khoản họ, khơng phải cơng nhân nước ngồi có khả tài khoản xấu GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 27 CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết Chương trình đề mơ áp dụng thành công việc huấn luyện mạng neural với minh họa ứng dụng nhận dạng thẻ tín dụng xấu 5.2 Hạn chế Số lượng dịng liệu mẫu cịn ít, thơng số huấn luyện dựa tập mẫu này Chỉ có tính chất minh hoạ cho thuật toán, đưa vào thực tế sử dụng cần tập liệu lớn GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương Trang 28 TÀI LIỆU THAM KHẢO [1] PGS TS Đỗ Phúc, Bài giảng Hệ Hỗ Trợ Ra Quyết Định, Trường Đại học công nghệ thơng tin, Đại học quốc gia TP Hồ Chí Minh, 2014 [2] Daniel Graupe, Principles of Artificial Neural Networks, World Scientific Publishing Company, edition, 2007 [3] Jeff Heaton, “Programming Neural Networks in Java” [4] Paul D McNelis, “Neural Networks in Finance: Gaining Predictive Edge in the Market”, Elsevier Academic Press, 2005 GVHD: PGS.TS Đỗ Phúc HV: Nguyễn Thành Phương ... tính phù hợp sử dụng để phân loại người nộp hồ sơ có rủi ro tín dụng tốt hay xấu 3.2 Thẻ tín dụng Thẻ tín dụng hệ thống tốn, gọi tên theo thẻ (Credit card) phát hành cho người sử dụng Trong hệ. .. cách ứng dụng mạng Neural để dự đoán độ rủi ro thẻ tín dụng 1.3 Nội dung nghiên cứu - Mạng Neural - Một giải thuật học mạng Neural với trọng số - Thẻ tín dụng cách nhận diện rủi ro neural network. .. tài khoản tín dụng có tin tưởng hay khơng … tất thực với trợ giúp mạng Neural Trong khuôn khổ báo cáo khoa học, nhóm em chọn đề tài ? ?Ứng dụng neural network nhận diện thẻ tín dụng xấu? ?? nhằm tìm