Η εργασία διερευνά την ψηφιακή πρόοδο των κρατών-μελών της Ευρωπαϊκής Ένωσης αξιοποιώντας τον Δείκτη Ψηφιακής Οικονομίας και Κοινωνίας (DESI) του 2022, ως εργαλείο αποτίμησης και κατηγοριοποίησης. Στο πλαίσιο της ανάλυσης, εφαρμόζονται προηγμένες τεχνικές μηχανικής μάθησης τόσο επιβλεπόμενης (supervised learning) όσο και μη επιβλεπόμενης (unsupervised learning), με στόχο την ανακάλυψη προτύπων και διαφοροποιήσεων στον ψηφιακό μετασχηματισμό των κρατών της Ε.Ε.
Μεθοδολογικά, αξιοποιήθηκαν αλγόριθμοι ταξινόμησης όπως Decision Tree (J48), Random Forest, Adaboost, Multilayer Perceptron και Support Vector Machine για την κατηγοριοποίηση των χωρών, ενώ για την ομαδοποίησή τους χρησιμοποιήθηκε ο αλγόριθμος K-means. Η ανάλυση υλοποιήθηκε στο λογισμικό Weka, με υποστηρικτική χρήση του R και του Excel για απεικονίσεις και οργάνωση των δεδομένων. Έγινε επίσης επιλογή χαρακτηριστικών (feature selection) με μεθόδους Wrapper-Greedy Stepwise και Wrapper-Genetic Search, με στόχο τη βελτίωση της αποδοτικότητας των μοντέλων και την αποφυγή της υπερπροσαρμογής.
Η εργασία δεν περιορίζεται σε τεχνική επεξεργασία δεδομένων, αλλά επιχειρεί και τη συσχέτιση της ψηφιακής επίδοσης των κρατών με δείκτες οικονομικής και κοινωνικής ανάπτυξης, αντλώντας στοιχεία από πρόσφατες επιστημονικές μελέτες. Μέσω της συγκριτικής αυτής προσέγγισης, αναδεικνύονται τάσεις ψηφιακής σύγκλισης αλλά και υφιστάμενες ανισότητες μεταξύ των κρατών-μελών.
Τα αποτελέσματα καταδεικνύουν ότι η ψηφιακή ωριμότητα των χωρών συσχετίζεται σημαντικά με τη γενικότερη αναπτυξιακή τους πορεία και προτείνουν την ανάγκη χάραξης στοχευμένων πολιτικών, ώστε να επιτευχθεί μια περισσότερο ισόρροπη ψηφιακή Ευρώπη στο πλαίσιο της Ψηφιακής Δεκαετίας 2030.

This thesis explores the digital progress of European Union member states using the Digital Economy and Society Index (DESI) 2022 as a key instrument for assessment and classification. The study applies advanced machine learning techniques—both supervised and unsupervised—to identify patterns and disparities in the digital transformation of EU countries.
Methodologically, the analysis employs classification algorithms such as Decision Tree (J48), Random Forest, Adaboost, Multilayer Perceptron, and Support Vector Machine, while the K-means algorithm is used for clustering. The implementation was carried out in Weka, with R and Excel utilized for visualizations and data organization. Feature selection techniques, including Wrapper-Greedy Stepwise and Wrapper-Genetic Search, were applied to enhance model accuracy and prevent overfitting.
Beyond technical data analysis, the thesis correlates digital performance with economic and social development indicators by drawing on recent academic studies. This comparative approach highlights both convergence trends and persistent inequalities across EU member states.
The findings indicate a strong relationship between digital maturity and broader developmental trajectories, emphasizing the need for targeted policy-making to achieve a more balanced and inclusive digital Europe within the framework of the Digital Decade 2030.