Developing a life insurance recommendation system using machine learning methods
Makine öğrenme yöntemleri kullanarak hayat sigortası öneri sistemi geliştirmesi
- Tez No: 786176
- Danışmanlar: DOÇ. DR. TEVFİK AYTEKİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 101
Özet
70 yıl öncesinden günümüze dek gelişimi devam eden algoritmaların yapay zeka alanında ileri teknolojilerle ve büyük veri ile kullanılmasıyla son 10 yıldır kişiselleştirilmiş ürün teklifleri gibi birçok alanda müşteri memnuniyetini ve şirket karlılığını artıran makine öğrenmesi temelli projelerin sayısı her geçen gün artmaktadır. Hayat sigortası ve emeklilik sektöründe mevcutta ürün sahibi olan müşterilerin portföy hareketleri, ödeme davranışları ve demografik özelliklerinin verisi toplanarak ürününe sahip olan müşterilerin geçmiş verisi üzerinden gelecekte bu ürünü alma ihtimali olan müşterilere çapraz satış için tahminleme çalışması yapılmıştır. Bu çalışmada veri ön işleme adımlarından kayıp verilerin uygun şekilde kullanımı, aykırı değerlerin tespiti ve onarımı, kategorik verinin modelde çalışır hale getirilmesi için ön işleme, açıklayıcı veri analizi, değişilenler arasındaki korelasyon incelemesi gibi veri ön işleme ve veriyi tanıma adımları takip edilmiştir. Tahminleme problemi bir sınıflandırma problem olarak ele alınmıştır. Gözetimli öğrenme yöntemlerinden Karar Ağaçları, Lojistik Regresyon, Rastgele Orman Algoritması, Naïve Bayes ve Gradyan Artırma Algoritmaları ile tahminleme problem çözülmüştür. Model performansını optimize etmek için senaryo bazlı deneyler yapılmıştır. Ön işleme, normalizasyon, çapraz doğrulama, boyut küçültme ve hiper-parametre ayarlama işlemlerinin model performansına etkisi gözlenmiştir. Doğruluk, AUC, F-1 skorlarına göre model performansları değerlendirmiştir. Hiper-parametre işlemlerinin model başarısında önemli derecede etkisi olduğu gözlenmiştir.
Özet (Çeviri)
In the last 10 years, the use of advanced technologies and big data handling methods in the field of artificial intelligence has led to an increase in the number of machine learning-based projects in many sectors and domain such as personalized product offerings that enhance customer loyalty and business value. Algorithm based development has been ongoing for 70 years and continues to grow. The use of machine learning techniques in the insurance industry has the potential to greatly improve customer satisfaction and increase company profitability. In this study, by collecting and analyzing data on the portfolio movements, payment behavior, and demographic characteristics of existing product owners, predictive models were conducted to identify potential customers for cross-selling. This study followed data preprocessing steps, including handling missing data, detecting, and repairing outliers, and preprocessing categorical data for use in the model. The prediction problem was treated as a classification problem, and explanatory data analysis and correlation analysis were performed to gain a deeper understanding of the data. The results of this study could be used to inform future efforts to personalize product offerings and increase sales in the insurance industry. The prediction problem was addressed using supervised learning methods, including Decision trees, Logistic regression, Random forest algorithms, Naive Bayes and Gradient boosting algorithms. The performance of the models was optimized through scenario-based experiments, and the effects of various data preprocessing steps, such as normalization and dimensionality reduction, on model performance were observed. The performance of the models was evaluated using a range of metrics, including accuracy, AUC, and F-1 scores. The results of this study suggest that hyperparameter tuning can play a significant role in improving the performance of machine learning models in this context. Overall, the use of machine learning techniques has the potential to greatly enhance the accuracy of predictions and improve decision-making in the insurance industry.
Benzer Tezler
- Sigortada dağıtım ve tutundurma metodları
Başlık çevirisi yok
BANU GÖNENÇ
Yüksek Lisans
Türkçe
1994
SigortacılıkMarmara ÜniversitesiSigortacılık Ana Bilim Dalı
DOÇ. DR. OSMAN GÜRBÜZ
- Mikrofinans uygulamaları ve fonların etkinliği
Microfinance implementations and efficiency of fund resources
MERVE USLU
- Potentialities for and limits to inclusion by education: The case of Syrian children's education in Turkey and child labour
Eğitim tarafından içermede potansiyeller ve limitler: Türkiye'deki Suriyeli çocukların eğitimi ve çocuk işçiliği
YASEMİN KIZILOĞLU
Yüksek Lisans
İngilizce
2021
Sosyal HizmetOrta Doğu Teknik ÜniversitesiSosyal Politika Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET OKYAYUZ
- İstanbul Boğazı'nda yakıt kirliliği, yayılım süreci ve müdahale esasları üzerine örnek senaryo çalışması
Case scenario study in Istanbul Strait concerning oil pollution, spill modelling and response procedures
CİHAT AŞAN
Doktora
Türkçe
2020
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU ÖZSOY
- Türkiye'de inşaat sektöründe proje yöneticilerinin motivasyonu
Motivational profiles for construction project managers
AYŞE TİRYAKİ
Yüksek Lisans
Türkçe
1997
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. FATMA HEYECAN GİRİTLİ