000			04788namaa22004331i 4500
003			EG-GICUC
005			20260106101004.0
008			251214s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a005.1
092			_a005.1 _221
097			_aM.Sc
099			_aCai01.18.07.M.Sc.2025.Sa.C
100	0		_aSameh Hussein Ali Al-Bayoumi, _epreparation.
245	1	0	_aCredit risk analysis of microfinance using data mining techniques / _cby Sameh Hussein Ali Al-Bayoumi ; Supervised Prof. Dr. Lamiaa Fattouh, Dr. Atef Raslan.
246	1	5	_aتحليل مخاطر الائتمان للتمويل متناهى الصغر باستخدام تقنيات التنقيب عن البيانات
264		0	_c2023.
300			_a138 Leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 131-138.
520		3	_aMicrofinance companies face numerous challenges associated with financing activities, particularly in the non-bank sector. Each year, many cases are recorded where individuals fail to repay the majority of their microfinance obligations, leading to substantial financial losses. As a result, the risk involved in approving microfinance requests remains high. In this study, a classification model was developed based on microfinance data obtained from Tamweely company, with the aim of predicting the loan repayment status of clients. The dataset underwent preprocessing, reduction, and preparation to ensure efficient and accurate predictions. Several classification algorithms— Random Forest, Naïve Bayes, K-Nearest Neighbors (KNN), J48 Tree, and Bayes Net— were applied to build and evaluate the predictive models. The implementation and testing of the models were carried out using the Weka 3.9.6 application. The accuracy results for the applied algorithms were as follows: Random Forest – 99.7885%, Naïve Bayes – 89.0624%, KNN – 85.4659%, J48 Tree – 99.7901%, and Bayes Net – 96.1946%. Based on its superior accuracy, the J48 Tree algorithm was selected as the final model for prediction purposes.
520		3	_a تواجه شركات التمويل متناهى الصغر تحدياتٍ عديدةً مرتبطةً بالتمويل واليوم، تتعدد المخاطر المرتبطة بالتمويل متناهى الصغر في القطاع المالى غير المصرفي. ففي كل عام، نواجه حالاتٍ عديدةً يتعثرون فيها الأفراد عن سداد معظم مبالغ التمويل متناهى الصغر للشركات، مما يُسبب خسائر فادحة لهذه الشركات. وتُعدّ المخاطر المرتبطة باتخاذ قرارات الموافقة على طلبات التمويل متناهى الصغر كبيرةً. في هذه الدراسة، تم بناء نموذج تصنيفٍ بناءً على بيانات التمويل متناهى الصغر تم الحصول عليها من شركة "تمويلي" للتنبؤ بحالة التمويل . وقد تم المعالجة المسبقة لمجموعة البيانات وتقليلها، وأُعدّت لتقديم تنبؤاتٍ فعّالة. واستُخدمت الدراسة عدة خوارزميات التصنيف التالية: Random Forest، Naive Bayes، KNN ، J48 Tree، وBayes Net. تم تنفيذ النموذج واختباره باستخدام تطبيق Weka، وجاءت معدلات الدقة للخوارزميات المذكورة على النحو التالي: Random Forest – %99.7885، Naive Bayes – %89.0624، KNN – %85.4659، J48 Tree – %99.7901، وBayes Net – %96.1946. وقد تم اختيار J48 Tree كأفضل خوارزمية بناءً على نسبة الدقة. وتم استخدام النموذج النهائي في التنبؤ، وأثبتت النتائج التجريبية كفاءة النموذج المُنفَّذ.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aSoftware Engineering
650		0	_aهندسة البرمجيات
653		1	_aCredit Risk _aMicrofinance _aData Mining Techniques
700	0		_aLamiaa Fattouh _ethesis advisor.
700	0		_aAtef Raslan _ethesis advisor.
900			_b01-01-2025 _cLamiaa Fattouh _cAtef Raslan _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Software Engineering
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c176714