Τεχνολογίες εξόρυξης και ανάλυσης δεδομένων σε εμπορικές επιχειρήσεις και οργανισμούς με συλλογές δεδομένων

Applied data mining and analysis techniques on commercial corporations and organizations with data collections (english)

  1. MSc thesis
  2. Αρβανιταντώνη, Παναγιώτα
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 19 September 2021 [2021-09-19]
  5. Ελληνικά
  6. 118
  7. Σακκόπουλος, Ευάγγελος
  8. Μαυρομμάτης, Γεώργιος | Βασιλακόπουλος, Μιχαήλ
  9. Εξόρυξη δεδομένων | Data mining | Αλγόριθμοι μηχανικής μάθησης | Machine learning algorithms | Επιχειρηματική ευφυΐα | Business intelligence
  10. 1
  11. 6
  12. 4
  13. Περιέχει: πίνακες, εικόνες, σχήματα
    • Η παρούσα διπλωματική εργασία, εντάσσεται στο θεματικό πεδίο της Εξόρυξης δεδομένων, μέσω αλγορίθμων μηχανικής μάθησης. Εκπονήθηκε στο πλαίσιο του προγράμματος «Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα» του ΕΑΠ. Οι στόχοι της διπλωματικής εργασίας είναι να μελετηθούν, να κατανοηθούν και να εφαρμοστούν σε παραδείγματα, όλες οι απαραίτητες διαδικασίες που απαιτούνται για να δημιουργηθούν και να αναπτυχθούν αξιόπιστα μοντέλα πρόβλεψης που χρησιμοποιούν αλγόριθμους μηχανικής μάθησης. Για την πραγματοποίηση της θα χρησιμοποιηθούν παρόμοια εργαλεία τα οποία θα συγκριθούν με βάση την απόδοση και την συνεισφορά τους στο αποτέλεσμα. Η εργασία είναι προσανατολισμένη στην ανάγκη που προκύπτει για εμπορικές επιχειρήσεις ή οργανισμούς, να πάρουν διοικητικές αποφάσεις βασιζόμενοι σε δεδομένα συναλλαγών τους. Πολλές φορές οι αποφάσεις αυτές είναι κρίσιμες για την ανάπτυξη και την επιβίωση τους για αυτό και ολοένα περισσότερες εμπορικές επιχειρήσεις χρειάζονται λογισμικό επιχειρηματικής ευφυΐας. Για τον σκοπό αυτό είναι απαραίτητο, να συγκεντρώνουν τα δεδομένα συναλλαγών τους και να τα αποθηκεύουν με κατάλληλο τρόπο ώστε να μπορεί να γίνει η επεξεργασία τους. Η επιτυχής και χρήσιμη επεξεργασία των δεδομένων αυτών εξαρτάται άμεσα, από την σωστή και ασφαλή αποθήκευση τους, τον όγκο τους, την εμπειρία του αναλυτή, τον αλγόριθμο μηχανικής μάθησης που χρησιμοποιείται και πολλές φορές από τις δυνατότητες των εργαλείων εξόρυξης που διαθέτει η επιχείρηση. Τέλος, ο κώδικας που θα αναπτυχθεί, θα αντιμετωπίσει κάποια από τα προβλήματα που δημιουργούνται κατά την επεξεργασία των δεδομένων. Θα χρησιμοποιηθεί συγκεκριμένη αρχιτεκτονική η οποία έχει αναπαρασταθεί γραφικά παρακάτω. Θα αναλυθούν οι δυσκολίες που προκύπτουν και οι εναλλακτικοί τρόποι αντιμετώπισης τους.
    • This master’s thesis was written as a part of the data mining field, in the frame of the MSc degree “Master in Information Systems”, of Hellenic Open University. Goals of the thesis have been the studying, understanding and applying on certain examples, all the necessary actions that are needed to create and develop reliable predictive models which use machine learning algorithms. To carry out the work, a specific data manipulation tool and different data mining tools were used. Their results and efficiency compared with the required capabilities for solving the problems occurred, will be pointed out. The thesis is oriented to the continuous need of commercial businesses and organizations to making management decisions based on their customer data transactions. Many times these decisions are crucial for the development and survival of the business. Hence, more and more companies have to rely on Business Intelligence software. Therefore it is necessary for them to gather and properly save their customer data so that it can be processed. The successful and useful data processing depends on its size, the analyst’s experience, its efficient storage, the machine learning algorithm’s performance and sometimes on the capabilities of data mining tools. Finally, the code that has been developed in the end, is a personal solution for some of the data pre-processing problems. The architecture that was used has been represented. Any problems or difficulties which have occurred have been analyzed along with their handling measures.
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.