فهرست مطالب
فصل اول
كليات تحقيق 1
مقدمه 2
1-1 بيان مسأله 4
1-2 سوال‌هاي تحقيق 7
1-3 اهميت و ضرورت موضوع تحقيق 7
1-4 اهداف تحقيق 8
1-5 فرضيات تحقيق 9
1-6 چارچوب نظري تحقيق 10
1-7 متغيرهاي پژوهشي 12
1-8 سابقه و ضرورت انجام تحقيق (پيشينه تحقيق) 13
1-9 كاربردهاي تحقيق 15
1-10 نوع روش تحقيق 16
1-11 محدوده تحقيق 16
1-12 روش نمونه گيري و تعيين حجم نمونه 17
1-13 ابزار گردآوري اطلاعات 18
1-14 محدوديت‌هاي تحقيق 18
1-15 روش تجزيه و تحليل اطلاعات 19
1-16 برخي تعاريف، مفاهيم و اصطلاحات 19
فصل دوم 22
ادبيات تحقيق 23
مقدمه 24
بخش اول 25
آشنايي با بانك سامان و انواع تسهيلات 25
آشنايي با بانك سامان 26
چارت خدمات بانك سامان 29
انواع سپرده‌هاي سرمايه گذاري 29
سپرده كوتاه مدت 29
سپرده كوتاه مدت ويژه 30
سپرده بلند مدت 30
سپرده اندوخته 31
سپرده ارزي 32
تسهيلات حقوقي 32
ابزارهاي اعتباري 33
انواع ابزارهاي اعتباري 33
ضوابط و معيارهاي اساسي اعطاي تسهيلات 34
1- قابليت اعتماد و اطمينان 37
2- قابليت و صلاحيت فني 39
3- ظرفيت مالي و كشش اعتباري 40
4- وثيقه (تامين) 42
بخش دوم 47
مباني نظري رتبه بندي اعتبار 47
مقدمه 48
2-1 مروري بر تاريخچه رتبه بندي اعتبار 50
2-2 رتبه بندي اعتبار 52
فرآيند تصميم گيري اعطاي تسهيلات 53
3-2 سيستمهاي رتبه بندي اعتبار 58
4-2 مدلهاي رتبه بندي اعتباري 59
5-2 مزايا و محدوديت‌هاي مدل رتبه بندي اعتبار 60
– محدوديت‌ها 60
بخش سوم 62
مباني نظري شبكه عصبي 62
مقدمه 63
3-1 هوش مصنوعي 65
3-2 مروري بر تاريخچه شبكه عصبي 67
3-3 شبكه‌هاي عصبي مصنوعي 70
3-4 اساس بيولوژيكي شبكه عصبي 75
3-5 مقايسه بين شبكه‌هاي عصبي مصنوعي و بيولوژيكي 79
3-6 مدل رياضي نرون 80
3-7 ويژگي‌ها و خصوصيات شبكه‌هاي عصبي مصنوعي 82
3-7-1 قابليت يادگيري 82
3-7-2 پردازش اطلاعات به صورت متني 83
3-7-3 قابليت تعميم 83
3-7-4 پردازش موازي 84
3-7-5 مقاوم بودن 84
3-8 مشخصه‌هاي يك شبكه عصبي 84
3-8-1 مدلهاي محاسباتي 85
3-8-2 قواعد يادگيري 88
3-8-3 معماري شبكه 90
3-9 عملكرد شبكه‌هاي عصبي مصنوعي 101
3-10 محدوديت‌هاي شبكه عصبي 103
3-11 كاربرد شبكه‌هاي عصبي در مديريت 104
بخش چهارم 110
خلاصه مقاله‌ها 110
بخش پنجم 124
نتيجه گيري 124
فصل سوم 129
روش شناسي تحقيق 129
3-1 مقدمه 130
3-2 روش تحقيق 131
3-3 جامعه آماري 132
3-4 نمونه آماري 132
3-5 فرضيات تحقيق 133
3-6 محدوده تحقيق 135
3-7 جمع آوري داده‌ها 136
3-8 تعيين حجم نمونه 137
3-9 ابزار گردآوري داده‌ها 138
3-10 روش تجزيه و تحليل داده‌ها 138
3-11 فرآيند تحقيق 141
فصل چهارم 153
يافته‌هاي تحقيق 153
4-1 مقدمه 154
4-4-1 آماده سازي داده‌هاي ورودي جهت رتبه سنجي مشتريان با كمك شبكه عصبي آماده سازي داده‌ها 154
معماري شبكه 155
فصل پنجم 162
نتيجه گيري و پيشنهادها 162
نتيجه گيري 163
پيشنهادات 168
فهرست اشكال
شكل (2-1) : ساختار نورون 77
شكل (2-2) : اولين مدل دقيق سلول عصبي 81
شكل (3-3) : معماري شبكه 91
شكل (3-4) : پرسپترون چند لايه 92
شكل (3-5) : نحوه تشكيل محدوده‌هاي فضا توسط تعداد مختلف لايه‌هاي پرسپترون 95
شكل (3-6) : شبكه هاپفيلد 101
فهرست جداول
جدول (3-1) : توابع محرك با علائم قرار دادي 87
جدول (4-1) : مقايسه نتايج ميانگين خطا در مدل A 157
جدول (4-2) : نتايج اجراي آموزش مدل A 157
جدول (4-3) : مقايسه نتايج ميانگين خطا درمدل B 158
جدول (4-4) : نتايج اجراي آموزش مدل B 158
جدول (4-5) جدول مقايسه نتايج 159
جدول (4-6) نتايج اجراي مدلA 160
جدول (4-7) نتايج اجراي مدل B 160
پيوست :
پيوست الف : جداول و نمودارهاي مربوط به مدل A 170
پيوست ب :جداول و نمودارهاي مربوط به مدل B 17
چكيده
بازار اعتبارات مصرفي در ايران با تشكيل بانكهاي خصوصي رونق يافته است. فعاليت اصلي در اين بازار اعطاي تسهيلات مصرفي به متقاضيان بوده و اين امر نياز به اعتبار سنجي متقاضيان تسهيلات جهت كاهش ريسك اعتباري دارد. امروزه سيستمهاي هوشمند كاربردهاي فراواني در امور مختلف بانكي و مالي پيدا كرده‌اند. بررسي و تصويب اعتبارات يكي از كاربردهاي شبكه عصبي است. پژوهش حاضر با هدف ارائه مدل مناسب بررسي رفتار اعتباري مشتريان تسهيلات مصرفي وام مضاربه با استفاده از شبكه هاي عصبي جهت رتبه بندي اعتباري شكل گرفته است. به دنبال اين هدف ابتدا عوامل مهم تاثير گذار بر رفتار اعتباري مشتريان شناسايي گرديد و سپس مشتريان به سه دسته خوش حساب، بد حساب وسر رسيد گذشته تقسيم شدند.
در مرحله بعد مدلهاي شبكه عصبي پس از طراحي؛ با داده‌هاي آموزشي؛ آموزش داده شده و سپس با داده‌هاي آزمايشي مورد آزمايش قرار گرفتند.
نتايج بدست آمده نشان مي‌دهد كه رفتار اعتباري مشتريان با استفاده از مدلهاي رتبه بندي شبكه‌هاي عصبي قابل پيش بيني است.
كلمات كليدي
شبكه عصبي؛ رتبه بندي اعتباري؛ تسهيلات
فصل اول
كليات تحقيق
مقدمه
علم تصميم گيري همواره با انسان همراه بوده و با ظهور سازمان‌ها، شركت‌ها و خاصه با تغييرات پرشتاب محيطي توسعه فراوان يافته است. بسياري از محققان تلاش و همت خويش را در اين حوزه متمركز نموده‌اند تا الگوهاي مناسبتر و دقيق‌تري را براي بهبود نظام‌هاي تصميم گيري معرفي نموده و تصميم گيران را با توفيق بيشتري مواجه سازند.
در اعطاي تسهيلات كه يكي از عمده‌ترين فعاليت‌هاي بانكها و موسسات اعتباري است براي تصميم گيري صحيح، بايد درجه اعتبار و قدرت بازپرداخت اصل و سود تسهيلات دريافت كننده را تعيين نمود تا احتمال عدم برگشت اصل و سود تسهيلات اعطايي، يعني ريسك درجه اعتبار، كاهش يابد. يكي از روش‌هاي كاهش اين ريسك، طراحي نظام تعيين درجه اعتباري براي دريافت كنندگان تسهيلات است، و كانون اين نظام، مدل رتبه بندي يا ارزيابي اعتباري است .
با استفاده از چنين مدلي، رتبه يا درجه اعتباري متقاضي مشخص شده و بر اساس آن راجع به اعطاي تسهيلات يا عدم اعطا، تصميم گيري مي شود. در حال حاضر بهره برداري از سيستمهاي هوشمند به منظور بهينه سازي و پيش بيني به عنوان يكي از ابزارهاي پيشرفته در حوزه‌هاي مختلف علوم، كاربرد فراوان دارد. شبكه‌هاي عصبي به عنوان يك سيستم هوشمند در عرصه‌هاي مختلف مالي از جمله تصويب اعتبارات، كاربرد دارند.
در تصويب اعتبارات، ارزيابي اعتبار مشتريان يكي از موارد بسيار پيچيده در فعاليت‌هاي مالي به شمار مي‌رود .
به نظر مي‌رسد جستجو براي روابط عملي ديگر اهميت خود را از دست داده است. آنچه اهميت دارد اين است كه حركت و رابطه مجموعه‌اي از متغيرها را با مجموعه‌اي ديگر دريابيم. براي اينكار مدل شبكه عصبي مصنوعي به مراتب از مغز فراتر مي‌رود كه در يك آن نمي‌تواند همه چيز را با هم ببينيد .
ارزيابي اعتباري مشتريان مي‌تواند توسط كارشناسان خبره و ارزياب‌ها انجام پذيرد، ليكن اين امر اغلب به علت كمبود وقت، هزينه بالا، كمبود تعداد افراد خبره و تعداد موارد ارزيابي، مقرون به صرفه نيست. با استفاده از فن آوري اطلاعات و ارتباطات كه تحول عظيمي در سيستم بانكداري بوجود آورده و ضمن ايجاد فرصت‌هاي نوين، چالش‌هاي جديدي را نيز با خود به ارمغان آورده است، مي‌توان مدلهاي ارزيابي اعتباري را طراحي كرد كه با استفاده از روش‌هاي علمي به جاي قضاوت‌هاي ذهني در زمان كم و با هزينه مناسب، حساب‌هاي خوب (مشتريان خوش حساب) و حساب‌هاي بد (مشتريان بد حساب) را از هم تفكيك كرد.
1-1 بيان مسأله
اعطاي تسهيلات بانكي از لحاظ اقتصادي اهميت زيادي دارد. زيرا با افزايش كمي سرمايه، باعث رشد و توسعه اقتصادي مي‌شود . اما در اعطاي تسهيلات، بانكها با خطر بزرگي كه به آن ريسك اعتباري مي‌گويند مواجه هستند. اين ريسك علت مواجهه بانكها با بحران‌هاي عمده مالي است. ريسك اعتباري را مي‌توان احتمال عدم بازپرداخت وام از طرف متقاضي در نظر گرفت . كه بايستي مديريت گردد. براي مديريت ريسك اعتباري از روش‌هاي مختلفي مي‌توان استفاده كرد يكي از روش‌ها طراحي نظام تعيين درجه اعتباري براي دريافت كنندگان تسهيلات است.
هدف از اين تحقيق اين است كه در بازار اعتبارات با طراحي و استقرار سيستم اعتبار سنجي مشتريان، به دنبال شناسايي الگوهاي رفتاري مشتريان و در نتيجه ايجاد امكان پيش بيني رفتار است. ارزيابي اعتبار مشتريان زمينه بسيار پيچيده‌اي در فعاليت‌ها به حساب مي‌آيد. تعداد عوامل و پيچيدگي روابط مالي، اقتصادي و رفتاري، ارزيابي اعتبار را بسيار دشوار مي‌سازد. از طرفي امر ارزيابي اغلب بايد در محدوده زماني كوتاهي صورت پذيرد زيرا طولاني شدن فرآيند ارزيابي موجب تاخير در عمليات و در نهايت موجب افزايش هزينه‌ها خواهد شد. از طرف ديگر عدم دقت احتمالي در ارزيابي مي‌تواند به تصميمات اشتباه و در نهايت زيان‌هاي گزاف منجر گردد. محدوديت زماني و ضرورت دقت در ارزيابي، پيچيدگي موضوع را دو چندان مي‌كند .
سيستمهاي رتبه بندي اعتباري را مي‌توان به سه دسته تقسيم كرد .
1ـ سيستمهاي قضاوتي
2ـ رتبه بندي بر مبناي تكنيك هاي آماري
3ـ سيستمهاي هوشمند
سيستمهاي قضاوتي بسيار كند و پرهزينه هستند. عموماً زماني كه تعداد تقاضاها بالا، و تعداد خبرگان كم مي‌باشد اين سيستم‌ها كارآيي لازم را ندارند، در مورد روش‌هاي آماري نيز هر يك از تكنيك‌هايش فرض‌هاي خاص را مي‌طلبند. بديهي است با عدم وجود يا كمرنگ شدن پيش فرض‌ها، دقت و صحت فزوني‌ها مورد ترديد قرار مي‌گيرد. وقتي قوانين تصميم گيري واضح و اطلاعات معتبر مي‌باشند سيستمهاي خبره كمك بزرگي به حل مسائل مي‌كنند. اما اغلب موسسات اعطا كننده وام، شفاف نيست و اطلاعات اصلاً وجود نداشته و يا بخشي از اطلاعات صحيح نيست، در اين حال شبكه‌هاي عصبي گزينه بسيار مناسبي هستند. در بازار اعتبارات ايران يكي از مشكلات اعطاي تسهيلات، ضوابط اخذ وثيقه و يا آورده نقدي از طرف متقاضيان استفاده از اعتبارات و تسهيلات شبكه بانكي است. تجزيه و تحليل اطلاعات نشان مي‌دهد كه درصد بيشتري از افراد مورد مطالعه، ضوابط اخذ وثيقه و انعطاف ناپذير بودن معيارهاي ارزيابي جهت جلوگيري از سوخت شدن اصل و سود تسهيلات را يكي از مشكلات دسترسي به تسهيلات و اعتبارات اعطايي سيستم بانكي،مي‌دانند. همچنين درصد بالايي از پاسخ دهندگان، طولاني بودن زمان ارزيابي‌ها را مشكل آفرين بيان نموده‌اند .
با توجه به شرايط بازار اعتبارات و با در نظر گرفتن انواع سيستمهاي رتبه بندي اعتباري و عملكرد مناسب شبكه‌هاي عصبي مساله اصلي اين تحقيق طراحي مدلي با كمك شبكه عصبي است كه با استفاده از آن بتوان با حداقل خطاها و در كمترين زمان ممكن نسبت به اعطاي تسهيلات در بانك اقدام شود.
اين مدل در صورتي مي‌تواند از كارايي لازم برخوردار گردد كه قادر باشد پاسخ مناسبي را براي سوالات تحقيق دهد.
1-2 سوال‌هاي تحقيق
1ـ آيا با استفاده از مختصات مشتريان اعتباري مي‌توان مشتريان اعتباري بانك را رتبه بندي نمود؟
2ـ آيا با استفاده از شبكه‌هاي عصبي مصنوعي مي‌توان مشتريان اعتباري بانك را رتبه بندي نمود؟
1-3 اهميت و ضرورت موضوع تحقيق
ضرورت سيستم رتبه بندي زماني اهميت لازمه را خواهد داشت كه از معيار مناسبي براي ارزيابي مشتريان قبل از اعطاي تسهيلات برخوردار باشد، به گونه‌اي كه تسهيلات بانكي با استفاده از اين سيستم به مشتريان مطلوب تخصيص يابد. از ديدگاه سيستم بانكداري مشتري مطلوب به مشترياني اطلاق مي‌شود كه ضمن هزينه نمودن تسهيلات دريافتي در بخش‌هاي مختلف اقتصادي بتواند به موقع تسهيلات دريافتي را به سيستم بانكي بازگرداند. عدم بازپرداخت به موقع تسهيلات بيانگر آن است كه دريافت كننده تسهيلات در بهره برداري از تسهيلات دريافتي از موفقيت چنداني برخوردار نبوده است .
به بيان ساده تر بازده حاصل از به كارگيري تسهيلات از سود بانكي آن كمتر بوده از اين رو در موعد بازپرداخت با مشكلاتي مواجه بوده است. در اين حالت بانك ناچار است در حد استقراض از منابع ديگر از جمله بانك مركزي و با نرخي فراتر از نرخ سپرده گيري خود براي جبران كمبود نقدينگي باشد.
به بيان ديگر تطابق زماني سررسيد دارايي و بدهي‌ها بازپرداخت تسهيلات با توجه به تركيب زماني منابع و برنامه ريزي در جهت اجراي سياست‌هاي پرداخت تسهيلات در مورد موسسات مالي مانند بانكها سبب كاهش ريسك و تسريع در تحقق اهداف پيش‌بيني شده خواهد شد. لذا با توجه به عصر فن آوري و وجود بانكهاي پيشرفته وقت آن رسيده است كه بانكها از سيستمهاي پيشرفته جهت بهبود وضعيت اعطاي تسهيلات و رتبه بندي اعتباري مشتريان خود استفاده نمايند .
اگر تخصيص اعتبار به صورت بهينه انجام گيرد احتمال بازپرداخت درست و به موقع افزايش يافته و امكان اعتباردهي نيز بيشتر مي‌شود.
1-4 اهداف تحقيق
هر تحقيقي براي دستيابي به هدف و منظور خاصي صورت مي‌پذيرد. اهداف اين تحقيق را مي‌توان به شرح زير بيان نمود.
1ـ‌شناسايي مختصات اساسي مشتريان كه در تعيين رتبه بندي آنها موثر است.
2ـ طراحي مدلي براي ارزيابي رتبه بندي مشتريان با استفاده از شبكه عصبي مصنوعي
3ـ كاهش ريسك اعتباري در بانك و به تبع آن استفاده مطلوب از منابع و تسهيلات بانكي
1-5 فرضيات تحقيق
طراحي مدلي براي رتبه‌بندي اعتباري مشتريان به عنوان هدف اصلي پژوهش قلمداد مي‌شود. از اين رو فرضيات تحقيق نيز در اين راستا و با توجه به سوالات تحقيق به صورت زير تدوين گرديد.
فرضيه اول: با استفاده از مختصات مشتريان اعتباري (شغل، درآمد،…) مي‌توان مشتريان اعتباري بانك را رتبه بندي نمود.
فرضیات فرعی :
1-بین میزان وثیقه متقاضی تسهیلات و رتبه بندی اعتباری ( مشتریان خوش حساب ، سررسید گذشته و بد حساب ) آنها رابطه معنی داری وجود دارد.
2-بین تحصیلات متقاضی تسهیلات و رتبه بندی اعتباری( مشتریان خوش حساب ، سررسید گذشته و بد حساب ) آنها رابطه معنی داری وجود دارد.
3-بین درآمد متقاضی تسهیلات و رتبه بندی ( مشتریان خوش حساب ، سررسید گذشته و بد حساب )آنها رابطه معنی داری وجود دارد.
4-بین سابقه اعتباری متقاضی تسهیلات و رتبه بندی ( مشتریان خوش حساب ، سررسید گذشته و بد حساب )آنها رابطه معنی داری وجود دارد.
5-بین شغل متقاضی تسهیلات و رتبه بندی ( مشتریان خوش حساب ، سررسید گذشته و بد حساب ) آنها رابطه معنی داری وجود دارد.
فرضيه دوم: با استفاده از شبكه عصبي پرسپترون چند لایه مي‌توان مشتريان اعتباري بانك را رتبه بندي نمود.
1-6 چارچوب نظري تحقيق
در صنعت بانكداري با ريسك‌هاي مختلفي مواجه هستيم كه يكي از آنها ريسك اعتباري يا ريسك عدم پرداخت است. سيستم اعتباري بانك بايد بتواند از به تعويق افتادن تسهيلات جلوگيري كند اين سيستم بايد به اين نكات توجه داشته باشد.
1ـ پرداخت تسهيلات ارزي و ريالي متناسب با ساختار منابع با ريسك
2ـ پرداخت تسهيلات به بخش‌هاي گوناگون اقتصاد تا چنانچه در صنعتي ركود ايجاد شد بانك دچار مشكل نشود.
3ـ توزيع جغرافيايي تسهيلات در سطح كشور تا ريسك در منطقه خاص و پيشامدهايي مثل حوادث طبيعي و غير طبيعي، قدرت مانور بانك را كاهش ندهد تا بانك قدرت تصميم گيري داشته باشد.
4ـ توزيع زماني پرداخت تسهيلات (كوتاه مدت، ميان مدت، بلند مدت) با توجه به ساختار منابع، اين سيستم بايد قدرت خود كنترلي، يادگيري، قابليت بهبود، كسب اطلاعات و قابليت دقت نيز داشته باشد تا بتواند خودش را با شرايط جديد وفق دهد و رتبه بندي اعتباري را به درستي انجام دهد.
شبكه‌هاي عصبي با ساختن نورون‌هاي مصنوعي و كنار هم قرار دادن آنها به شكل موازي، ابداع الگوريتم‌هاي مناسب يادگيري و ارائه الگوها از توانايي پردازش اطلاعات سريع و دقيق بالايي برخوردارند و مي‌توانند برخلاف ساير متدهاي آماري، هوشمند عمل كرده و به يادگيري فرآيندها بپردازند تا بتوانند در شرايط جديد و از قبل تعيين نشده نيز بهترين نتايج را در پي داشته باشند. به علت برتري آنها نسبت به ساير مدل‌ها هم اكنون در نقاط مختلف دنيا از آنها استفاده مي‌شود. شبكه‌هاي عصبي مي‌توانند برخلاف مدلهاي رگرسيوني كه توانايي شناسايي روابط غير خطي را ندارند، مثال‌ها و الگوها را نيز به عنوان اطلاعات ورودي دريابند و با كمك قانون يادگيري شان با تغيير شرايط، موقعيت جديد و پارامترهاي ايجاد شده را درك كرده و نتايج خود را بهبود بخشند. اين شبكه‌ها مي‌توانند از ميان انبوهي از اطلاعات ورودي كه از شبكه‌هاي مختلف دريافت مي‌كنند بهترين پارامترها را شناسايي كنند تا بهترين پيش بيني را ارائه دهند. به همين علت پيش بيني وضعيت اعتباري مشتريان با كمك اين مدل‌ها به راحتي امكان پذير است.
1-7 متغيرهاي پژوهشي
با توجه به ماهيت تحقيق در اين پژوهش متغيرهاي مستقل و وابسته به طور كامل از همديگر تفكيك شده است.
در اين تحقيق متغيرهاي مستقل عبارتند از:
ـ شغل
ـ تحصيلات
ـ درآمد
ـ ارزش وثيقه
ـ سابقه اعتباري
با استفاده از سيستم 5C ( اولین روش تحلیل اعتباری روش 5c می باشد که رایج ترین روش نیز می باشد. در این روش یک متقاضی اعتبار از 5 زاویه شخصیت ، ظرفیت ، سرمایه ، وثیقه و شرایط مورد تحلیل و بررسی قرار می گیرد ) شناسايي شده اند ، متغیرهای فوق به عنوان متغيرهاي ورودي در مدل شبكه عصبي مصنوعي مورد استفاده قرار می گیرند.
متغيرهاي وابسته تحقيق همان خروجي مدل شبكه عصبي مي‌باشد كه با استفاده از متغيرهاي مستقل برآورد مي‌گردند. اين متغيرها به اين شرح مي‌باشند:
ـ مشتريان خوش حساب
ـ مشتريان سررسيد گذشته
ـ مشتريان بدحساب
1-8 سابقه و ضرورت انجام تحقيق (پيشينه تحقيق)
مدلسازي نرون براي نخستين بار در سال 1943 توسط وارن مك كلوث فيزيولوژيست اعصاب، والترپيتز منطقدان صورت گرفت تمامي مكتب شبكه‌هاي عصبي از همين جا آغاز شد. بعضي از پيش زمينه‌هاي شبكه‌هاي عصبي را مي‌توان به اوايل قرن 20 و اواخر قرن 19 برگرداند. در اين دوره كارهاي اساسي توسط دانشمنداني چون هرمان فون هلمهالتز ، ارنست ماخ و ايوان پاولوف صورت پذيرفت. اين كارهاي اوليه عموماً بر تئوري‌هاي كلي يادگيري و شرطي تاكيد داشتند و اصلا به مدلهاي مشخص رياضي و عملكرد نورون‌هاي عصبي اشاره نداشتند.
ديدگاه جديد شبكه‌هاي عصبي در دهه قرن بيستم شروع شد زماني كه وارن مك كلوث و والتر پيتز نشان دادند كه شبكه‌هاي عصبي در اصل مي‌توانند هر تابع حسابي و منطقي را محاسبه نمايند. كار اين افراد را مي‌توان نقطه شروع حوزه علمي شبكه‌هاي عصبي مصنوعي ناميد.
نخستين كاربرد عملي شبكه‌هاي عصبي اواخر دهه 50 قرن 20 مطرح شد زماني كه روزنبلات و همكارانش شبكه‌اي ساختند كه قادر بود الگوها را از هم شناسايي نمايد در همين زمان بود كه برنارد ويدرو در سال 1960 شبكه عصبي تطبيقي آدلاين را با قانون يادگيري جديد مطرح نمود. پيشرفت شبكه‌هاي عصبي تا دهه 70 قرن بيستم ادامه يافت كه در خلال دهه 80 رشد تكنولوژي ميكروپرسسورها روند صعودي يافت و تحقيقات روي شبكه‌هاي عصبي افزايش يافت و ايده‌هاي جديد مطرح شد .
ايده استفاده از مكانيسم‌هاي تصادفي جهت توضيح عملكرد يك طبقه وسيع از شبكه‌هاي برگشتي كه مي‌توان آنها را درجهت ذخيره سازي اطلاعات استفاده نمود. ايدة بعدي كه كليد توسعة شبكه‌هاي عصبي، الگوريتم پس انتشار بود كه توسط راملهارت مك لند ارائه شد. او اولين استفاده كننده از آناليز مميزي براي رتبه بندي اعتباري بود كه شايد بتوان او را بنيانگذار سيستمهاي رتبه بندي امروز دانست. با آمدن كارت‌هاي اعتباري در اواخر دهه 60 اهميت اعتباردهي براي بانكها و ديگر ارائه كنندگان كارت‌هاي اعتباري مشخص شد. همچنين مدلهاي طبقه بندي اعتبارات در بانك چيس ـ مانهتان در سال 1990 طراحي شد. اين بانك كه از گذشته از فنون كمّي براي كمك به مديران ارشد اعطاي تسهيلات استفاده مي‌كرد در اين سال با طراحي مدل کردیت ویو ، پلم كوشيد تا براساس سيستم عصبي مصنوعي كار طبقه بندي حساب مشتريان اعتباري را نظم و شتاب بيشتري بخشد .
