A partir de cette page vous pouvez :
Retourner au premier Ă©cran avec les Ă©tagĂšres virtuelles... |
RĂ©sultat de la recherche
1 rĂ©sultat(s) recherche sur le mot-clĂ© 'Appétence crédit acquéreur et à la consommation - Un Système d’Intelligence Artificielle de prédiction - Data Mining - Méthodologie CRISP-DM.'
Affiner la recherche Faire une suggestion
PRĂDICTION DE LâAPPĂTENCE CRĂDIT ACQUĂREUR ET Ă LA CONSOMMATION / Boutaina BELAKHDAR
Titre : PRĂDICTION DE LâAPPĂTENCE CRĂDIT ACQUĂREUR ET Ă LA CONSOMMATION Type de document : projet fin Ă©tudes Auteurs : Boutaina BELAKHDAR, Auteur AnnĂ©e de publication : 2020 Langues : Français (fre) CatĂ©gories : GĂ©nie Logiciel Mots-clĂ©s : AppĂ©tence crĂ©dit acquĂ©reur et Ă la consommation - Un SystĂšme dâIntelligence Artificielle de prĂ©diction - Data Mining - MĂ©thodologie CRISP-DM. Index. dĂ©cimale : 2201/20 RĂ©sumĂ© : Ce projet, réalisé en binôme avec Anas BENTAHAR (ENSIAS – e-MBI), consiste à construire et à déployer un système d’Intelligence Artificielle, qui se base sur les méthodes de Data Mining, et qui vise à identifier parmi les clients de la BCP (Banque Centrale Populaire) ceux qui sont appétents à prendre un crédit acquéreur et à la consommation, afin de pouvoir les approcher directement par des propositions et des offres de crédits.
Pour cela, l'équipe du département « Reporting & Aide à la décision », a décidé de construire un tel système en se basant sur les données des clients de la banque, pour analyser et comprendre leurs comportements passés avec le résultat des appétences de crédits réalisés afin de pouvoir prédire ce qu’il en serait de l’appétence future des clients de la base actuelle.
Le déroulement de ce projet a respecté les briques de la méthodologie itérative CRISP-DM et le séquencement de ces étapes est le suivant :
ï· La compréhension métier du problème : Durant laquelle nous avons traduit la problématique métier en une problématique Data Mining.
ï· La collecte des données : Durant laquelle nous avons choisi et collecté les données les plus adéquates à la problématique.
ï· La compréhension des données : Durant laquelle nous avons exploré et visualisé ces données sous différents angles.
ï· Le traitement des données : Durant laquelle nous avons agi sur les données en conséquence des observations faites lors de la phase antérieure, afin de les préparer pour l'étape de modélisation.
ï· La modélisation et l'évaluation : Durant laquelle nous avons :
ï· Élaboré l’approche Nested Cross Validation pour le paramétrage, l’entrainement et le test des modèles.
ï· Mesuré les performances des modèles entrainés et testés pour en sélectionner le meilleur.
ï· Le déploiement de la solution : Durant laquelle nous avons mis en oeuvre une application web, qui utilise le modèle final.
PRĂDICTION DE LâAPPĂTENCE CRĂDIT ACQUĂREUR ET Ă LA CONSOMMATION [projet fin Ă©tudes] / Boutaina BELAKHDAR, Auteur . - 2020.
Langues : Français (fre)
CatĂ©gories : GĂ©nie Logiciel Mots-clĂ©s : AppĂ©tence crĂ©dit acquĂ©reur et Ă la consommation - Un SystĂšme dâIntelligence Artificielle de prĂ©diction - Data Mining - MĂ©thodologie CRISP-DM. Index. dĂ©cimale : 2201/20 RĂ©sumĂ© : Ce projet, réalisé en binôme avec Anas BENTAHAR (ENSIAS – e-MBI), consiste à construire et à déployer un système d’Intelligence Artificielle, qui se base sur les méthodes de Data Mining, et qui vise à identifier parmi les clients de la BCP (Banque Centrale Populaire) ceux qui sont appétents à prendre un crédit acquéreur et à la consommation, afin de pouvoir les approcher directement par des propositions et des offres de crédits.
Pour cela, l'équipe du département « Reporting & Aide à la décision », a décidé de construire un tel système en se basant sur les données des clients de la banque, pour analyser et comprendre leurs comportements passés avec le résultat des appétences de crédits réalisés afin de pouvoir prédire ce qu’il en serait de l’appétence future des clients de la base actuelle.
Le déroulement de ce projet a respecté les briques de la méthodologie itérative CRISP-DM et le séquencement de ces étapes est le suivant :
ï· La compréhension métier du problème : Durant laquelle nous avons traduit la problématique métier en une problématique Data Mining.
ï· La collecte des données : Durant laquelle nous avons choisi et collecté les données les plus adéquates à la problématique.
ï· La compréhension des données : Durant laquelle nous avons exploré et visualisé ces données sous différents angles.
ï· Le traitement des données : Durant laquelle nous avons agi sur les données en conséquence des observations faites lors de la phase antérieure, afin de les préparer pour l'étape de modélisation.
ï· La modélisation et l'évaluation : Durant laquelle nous avons :
ï· Élaboré l’approche Nested Cross Validation pour le paramétrage, l’entrainement et le test des modèles.
ï· Mesuré les performances des modèles entrainés et testés pour en sélectionner le meilleur.
ï· Le déploiement de la solution : Durant laquelle nous avons mis en oeuvre une application web, qui utilise le modèle final.
RĂ©servation
RĂ©server ce document
Exemplaires
Code barre Cote Support Localisation Section DisponibilitĂ© 2201/20 2201/20 PRE Texte imprimé unité des PFE PFE/2020 Disponible