000			10558namaa22004331i 4500
003			EG-GICUC
005			20260312160932.0
008			260312s2025 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	_a005.12
092			_a005.12 _221
097			_aM.Sc
099			_aCai01.18.07.MSc.2025.Sh.P
100	0		_aShaimaa Mohamed Mohamed Ali, _epreparation.
245	1	0	_aPredicting unsettled credit for social security organizations using data mining techniques / _cby Shaimaa Mohamed Mohamed Ali ; Supervision Prof. Dr. Nagy Ramadan, Dr. Abdelmoneim Helmy.
246	1	5	_a” التنبؤ بالديون غير المسددة لمؤسسات التضامن الاجتماعي باستخدام تقنيات التنقيب في البيانات
264		0	_c2025.
300			_a134 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 118 -127.
520		3	_aUnsettled credit is a critical issue that affects banks and organizations on a global scale. Possessing the ability to accurately predict the level of credit default provides invaluable insight into the economic state. The social security model is distinguished by its information-driven characteristic since it produces enormous volumes of accumulated records that are too large for traditional data processing methods to cope with. Data mining helps investment organizations, banks, and insurance companies discover useful patterns from customer data for credit default. In this thesis, credit default prediction was identified as the main focus of the research to help decision-makers find suitable procedures to prevent or minimize debt. This thesis presents and surveys some recent research related to credit default prediction using data mining. Moreover, the thesis provides a brief review of the social security organization in Egypt and its unresolved debt problem. The thesis contributed a unique dataset collected from the National Organization for Social Insurance (NOSI) over a span of 13 years, along with implementation details of the different phases in a proposed approach for credit default prediction using data mining. The process begins with the data extraction and preparation phase, followed by the pre-processing phase involving methods such as replacing missing values with the mean or most frequent values, standardization, and the removal of outlier/extreme values. Various resampling methods, including Random Over-sampling, Synthetic Minority Oversampling Technique, Mahalanobis Distance-based Over-sampling, Adaptive Synthetic Sampling Approach, Multi-Class Cost-Sensitive Learning, and Similarity Oversampling and Undersampling Pre-processing, were then applied. The subsequent phase involved the application of the unsupervised algorithm k-means, followed by the implementation of tree-based supervised algorithms, including Decision Tree, Random Forest, and eXtreme Gradient Boosting. The dataset was divided into 70% for training and 30% for testing to assess the approach’s' performance. The experiment illustrated many valuable results. In resampling, this research presents the comparison results between the aforementioned seven resampling methods. The overall results showed that Similarity Oversampling and Undersampling Pre-processing is the most successful resampling method. In classification, the comparison results between the three supervised learning algorithms indicate that Random Forest is the most III | P a g e powerful algorithm. In clustering, the research proved that a hybrid supervised and unsupervised model leads to improved results. The hybrid K-means, Similarity Oversampling and Undersampling Pre-processing, and Random Forest constitute the most powerful model with a high accuracy of 74.27%, an F1 score of 0.74, and a precision of 0.7381, compared to the original dataset's accuracy of 50%, an F1 score of 0.5039, and a precision of 0.5042. Furthermore, the proposed approach has been applied to a publicly available dataset and subsequently compared with prior research, revealing the success of the proposed approach. Consequently, this research verified the added value of the proposed approach in predicting credit defaults through data mining. It could serve as an effective starting point to assist decision-makers and actuaries in making informed decisions to prevent or minimize debt.
520		3	_aتشكل الديون المتراكمة قضية حرجة تؤثر في البنوك والمؤسسات على نطاق عالمي. إن امتلاك القدرة على التنبؤ بدقة بمستوى تعثر السداد يوفر رؤية قيمة حول الحالة الاقتصادية. يتميز نموذج التضامن الاجتماعي بأنه نموذج قائم على المعلومات؛ حيث إنه ينتج كميات هائلة من السجلات المتراكمة، والتي تكون كبيرة جدًا بحيث لا يمكن لطرق معالجة البيانات التقليدية التعامل معها. يساعد استخراج البيانات المؤسسات الاستثمارية والبنوك وشركات التأمين على اكتشاف أنماط مفيدة من بيانات العملاء الخاصة بالائتمان المتعثر. في هذه الرسالة، حُدِّد التنبؤ بتعثر الائتمان كمجال تركيز رئيسي لأبحاثنا لمساعدة صانعي القرار على إيجاد إجراءات مناسبة لمنع الديون أو تقليلها. وتستعرض هذه الرسالة بعض الأبحاث الحديثة المتعلقة بالتنبؤ بتعثر الائتمان باستخدام تنقيب البيانات. بالإضافة إلى ذلك ، توضح استعراضًا موجزة للهيئة العامة للتأمينات الاجتماعية في مصر ومشكلة ديونها المتراكمة. ساهمت الرسالة بمجموعة بيانات حقيقية جُمِعَت من الهيئة القومية للتأمينات الاجتماعية عن مدة 13 عامًا مع تفاصيل تنفيذ المراحل المختلفة في نموذج مقترح للتنبؤ بتعثر الائتمان باستخدام تنقيب البيانات، والذي يبدأ بمرحلة استخراج البيانات وتحضيرها ثم مرحلة المعالجة المسبقة باستخدام بعض الأساليب مثل استبدال القيم المفقودة بالقيمة المتوسطة أو القيم الأكثر شيوعًا والتعويض وإزالة القيم المتطرفة. بعد ذلك طُبِّقَت أساليب إعادة تشكيل العينة مثل إعادة تشكيل العينة العشوائي أو الاصطناعي، القائمة على مسافة ماهالانوبيس، تعلم متعدد الفئات بحساسية التكلفة، ومعالجة مسبقة بالزيادة والنقصان الانتقائيين للعينات وفق مقياس التشابه. المرحلة التالية تطبيق خوارزمية غير الخاضعة للإشراف. وفي النهاية تطبيق خوارزميات الأشجار الخاضعة للإشراف وهي شجرة القرار والغابة العشوائية وتعزيز التدرج الشديد. قُسِّمَت مجموعة البيانات بنسبة 70% للتدريب و 30% للاختبار لقياس أداء النماذج. أظهرت التجربة العديد من النتائج القيمة، يقدم هذا البحث نتائج المقارنة بين طرق إعادة العينة المذكورة أعلاه. أظهرت النتائج العامة أن معالجة ما قبل المعالجة بإفراط وإقلال العينة بالتشابه هي أكثر طرق إعادة تشكيل العينة نجاحًا. في التصنيف، تقدم نتائج المقارنة بين خوارزميات التعلم الآلي الخاضعة للإشراف الثلاثة أن الغابة العشوائية هي الخوارزمية الأقوى. في التجميع، أثبت البحث أن النموذج المختلط بين الخاضع للإشراف وغير الخاضع للإشراف يؤدي إلى نتائج أفضل مع ومعالجة ما قبل المعالجة بإفراط وإقلال العينة بالتشابه هو النموذج الأقوى بدقة عالية تبلغ 74.27٪ ومعدل F1 يبلغ 0.74 ودقة تبلغ 0.7381 مقارنة بدقة مجموعة البيانات الأصلية البالغة 50% ومعدل F1 يبلغ 0.5039 ودقة تبلغ 0.5042. فضلا عن ذلك، جُرِّب النموذج المقترح على مجموعة بيانات متاحة للجميع ومقارنته لاحقًا بالبحوث السابقة، مما يكشف عن نجاح النموذج المقترح. ومن ثم ، فإن هذا البحث يثبت القيمة المضافة للنموذج المقترح للتنبؤ بتعثر الائتمان باستخدام تنقيب البيانات ويمكن أن يكون نقطة انطلاق فعالة لمساعدة صانعي القرار والخبراء الاكتواريين على اتخاذ قرارات فعالة لمنع الديون أو تقليلها.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aInformation Systems and Technology
650		0	_aنظم وتكنولوجيا المعلومات
653		1	_aCredit Default Prediction, _aSocial Security _aData Mining _aSupervised Learning Algorithms _aUnsupervised Learning Algorithms _aResampling Methods _aHybrid Learning _aData Integration _aالتنبوء بسداد المديونيات _aالتأمين الإجتماعي
700	0		_aNagy Ramadan _ethesis advisor.
700	0		_aAbdelmoneim Helmy _ethesis advisor.
900			_b01-01-2025 _cNagy Ramadan _cAbdelmoneim Helmy _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Information Systems and Technology
905			_aShimaa
942			_2ddc _cTH _e21 _n0
999			_c178991