یادگیری تطبیقی : توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.

خود سازماندهی : یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کرده را انجام دهد. نورون ها با قاعده یادگیری سازگار شده و پاسخ به ورودی تغییر می یابد.

عملگرهای بی درنگ : محاسبات در شبکه عصبی می تواند به صورت موازی و بوسیله سخت افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت شبکه های عصبی مصنوعی است انجام شود.

تحمل خطا : با ایجاد خرابی در شبکه مقداری از کارآیی کاهش می یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می شود.

دسته بندی : شبکه های عصبی قادر به دسته بندی ورودی ها برای دریافت خروجی مناسب         می باشند.

تعمیم دهی : این خاصیت شبکه را قادر می سازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را بدست آورده، نتایج این آموخته ها را به موارد مشاهده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بی نهایت واقعیت ها و روابط را به خاطر بسپارد.

پایداری – انعطاف پذیری : یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی میتواند موارد جدید را بپذیرد.(نوری بروجردی،اسگندری،1388، 6)

شبکه عصبی در شرایطی بکار می رود که ساختار مسائل روشن نیست و باید نوعی روند- شناسی یا بازشناسی الگو صورت گیرد. مدیران مؤسسات مالی، نهادهای مالی در عمل با بسیاری از این شرایط مواجه اند.

شبکه عصبی از دیگر روشهای طبقه بندی نمونه به شمار می آید که در آن، فرض خطی بودن روابط میان متغیرها الزامی نمی باشد. استقلال متغیرهای توضیحی حذف شده است و در آن روابط پنهان بین متغیرهای توضیحی به عنوان یک متغیر اضافی وارد تابع می شود. در مورد شرکتها که اطلاعات کمتری نسبت به شخصیتهای حقیقی دارند بیشتر بکار رفته است. برای شناخت الگوهایی که در داده ها وجود دارند بسیار مفید هستند، خصوصاً در مواقعی که نوع رابطه بین هدف (به عنوان مثال ارزیابی وضعیت اعتباری) و متغیرهای ورودی (مثلا ویژگی های جمعیتی) نامشخص و یا پیچیده باشد.

شبکه های عصبی روش محاسبه ای متفاوت با روشهای متداول می باشند. محاسباتی که با روشهای معمولی انجام می شود از نوع برنامه ریزی شده است و در آنها الگوریتم ها و مجموعه هایی از قواعد به کار می روند تا مسأله را حل کنند. در این روشها اگر الگوریتمی در دست نباشد یا الگوریتم پیچیده باشد، راه حلی برای مسأله وجود نخواهد داشت. اما در محاسباتی که شبکه عصبی اجرا میکند به الگوریتم و مجموعه قواعد نیاز نیست.

تحقیقات به عمل آمده ثابت نموده که شبکه های عصبی نسبت به روشهای قبل از خود در ارزیابی نمودن اعتبار مشتریان از صحت بیشتری برخوردار بوده اند و این متد قابلیت ترکیب با سایر متدها را دارد و تأیید شده که ترکیب آن با سایر متدها بیشترین صحت را بدنبال داشته است.

علیرغم برتری روشهای شبکه های عصبی، انتقاداتی نیز بر آن وارد می باشد.

وقتي روابط بين متغيرها غير خطي باشد يكي از مناسبترين ابزارها، شبكه عصبي است. اما علیرغم برتری روشهای شبكه‌هاي عصبي، این روش محدوديت‌هایي نیز دارد كه به كارگيري آن را محدود مي‌كند.

1ـ دسته بندي دودويي (باينر): داده‌هاي ورودي به راحتي مي‌تواند به صورت (1 و 0) ارائه گردند. اما دسته بندي داده‌هاي چند كلاسه به طور نامناسبي صورت مي‌گيرد. مثلا دسته بندي وضعيت اقامت (دوران سكونت) در50 ايالت امريكا در درخت تصميم گيري به طور طبيعي صورت مي‌پذيرد. اما در شبكه عصبي اين كار مشكل است.

2ـ شبكه عصبي يك مدل قابل درك نيست. شبكه عصبي بيشتر “جعبه سياه” است و توضيح چرايي نتايج مشكل و يا غير ممكن است.

3ـ همراه با به كارگيري شبكه عصبي در سيستم كامپيوتر، شركت‌ها و سازمان‌ها نياز به مفسران يا خبرگان ماهر دارند.

4ـ براي افراد غيرفني توضيح و توجيه چگونگي تعميم خيلي مشكل است.

زيريلي[1] بزرگترين چالش به كار گيري شبكه‌هاي عصبي در امور مالي را چنين توصيف مي‌كند:

بزرگترين چالش در به كارگيري شبكه‌هاي عصبي در مسائل مالي خود شبكه نيست بلكه شيوه تبديل و فرآورش داده‌هاي ورودي جهت ارائه به شبكه و شيوه تفسير نتايج خروجي شبكه است.

5ـ یکی دیگر از این محدودیتها، می توان به مشکل بودن فرآیند آموزش در آن اشاره کرد که تا حد زیادی کاربرد آن را محدود نموده است.(زیریلی،1997، 20)

با توجه به دو ويژگي اساسي شبكه هاي عصبي يعني يادگيري يا نگاشت پذيري براساس ارائه داده‌هاي تجربي و ساختار پذيري موازي، اين شبكه‌ها در مسائل گوناگون مديريتي كاربردهاي مختلفي پيدا كرده‌اند

 

[1] Zirilli

لینک جزییات بیشتر و دانلود این پایان نامه:

اعتبارسنجی واحدهای تجاری دریافت کننده تسهیلات مالی مبتنی بر صورتهای مالی


دیدگاهتان را بنویسید