1. بیان مساله اساسی تحقیق
2. اهمیت و ضرورت انجام تحقیق
3. مرور ادبیات و سوابق مربوطه
4. جنبه جدید بودن و نوآوری در تحقیق
5. اهداف مشخص تحقیق
6. سؤالات تحقیق
7. فرضیه ‏های تحقیق
8. روش شناسی تحقیق
9. متغیرهای مورد بررسی در قالب یک مدل مفهومی
10. شرح کامل روش (میدانی، کتابخانه‏ای) و ابزار
11. جامعه آماری، روش نمونه‏ گیری و حجم نمونه
12. روش‌ها و ابزار تجزیه و تحلیل داده ‏ها
13. مراجع

کلیک جهت دانلود پروپوزال

درخواست های تقلبی بیمه بین ۵ تا ۱۰ درصد از کل مطالبات بیمه را شامل می شود و شرکت های بیمه هر  ساله  مبالغ سنگینی را برای پاسخگویی به این مطالبات هزینه می کنند. در بین انواع مختلف  در خواست های جعلی بیمه ، بیمه اتومبیل رایج ترین آن است. تقلب در بیمه اتومبیل می تواند به اشکال مختلفی از جمله  ایجاد صحنه تصادف ،  عدم حضور دارنده بیمه نامه در تصادف مورد ادعا، مصدومیت جعلی و بسیاری از موارد نادرست دیگر ایجاد شود. بنابراین ، چگونگی شناسایی درست تقلب در بیمه ، به موضوعی داغ در صنعت بیمه و تحقیقات دانشگاهی تبدیل شده است. (مون و همکاران، ۲۰۱۹) کشف تقلب

در سالهای اخیر، تکنیک های داده کاوی کمک شایانی را در شناسایی و پیشگیری از تقلب در صنعت بیمه کرده اند. با استفاده از تکنیک‌های داده‌کاوی می‌توان به تجزیه و تحلیل داده‌های شرکت های بیمه پرداخت و دانشی در مورد درخواست های حقیقی و یا تقلبی بیمه  بدست آورد و با استفاده از این دانش، سایر موارد تخلف را شناسایی کرد. تاکنون تکنیک‌های داده‌کاوی متفاوتی جهت کشف موارد تقلب معرفی شده است و هر کدام مزایا و معایب مخصوص به خود را دارا هستند.  در این تحقیق با در نظر گرفتن مجموعه داده مروبط به یک شرکت بیمه گر،  به بررسی و مقایسه رویکردهای خوشه بندی فازی،  جنگل تصادفی ، الگوریتم ژنتیک و  شبکه عصبی جهت تشخیص تقلب می پردازیم. هر  یک از رویکردها با توجه به معیارهای ………………

McCarthy, R., Ceccucci, W., McCarthy, M. and Halawi, L., 2019. Alpha Insurance: A Predictive Analytics Case to Analyze Automobile Insurance Fraud using SAS Enterprise Miner. Information Systems Education Journal, 17(2), p.20. Li, Y., Yan, C., Liu, W. and Li, M., 2018. A principle component analysis-based random forest with the potential nearest neighbor method for automobile insurance fraud identification. Applied Soft Computing, ۷۰, pp.1000-1009 Wang, Y. and Xu, W., 2018. Leveraging deep learning with LDA-based text analytics to detect automobile insurance fraud. Decision Support Systems, ۱۰۵, pp.87-95. Majhi, S.K., Bhatachharya, S., Pradhan, R. and Biswal, S., 2019. Fuzzy clustering using salp swarm algorithm for automobile insurance fraud detection. Journal of Intelligent & Fuzzy Systems, ۳۶(۳), pp.2333-2344. Li, Y., Yan, C., Liu, W. and Li, M., 2018. A principle component analysis-based random forest with the potential nearest neighbor method for automobile insurance fraud identification. Applied Soft Computing, ۷۰, pp.1000-1009. Yan, C., Li, M., Liu, W. and Qi, M., 2019. Improved adaptive genetic algorithm for the vehicle Insurance Fraud Identification Model based on a