Σε μια εποχή όπου οι πληροφορίες οδηγούν τις αποφάσεις και η τεχνολογία επιτρέπει πρωτοφανείς γνώσεις, η αυτοκινητοβιομηχανία βρίσκεται στην πρώτη γραμμή της καινοτομίας. Η δυνατότητα ακριβούς πρόβλεψης της αξίας των αυτοκινήτων με βάση τα χαρακτηριστικά τους έχει γίνει μια κομβική πρόκληση. Αξιοποιώντας τη δύναμη του web scraping και της μηχανικής εκμάθησης, αυτή η εργασία δοκιμάζει τη συλλογή δεδομένων σε πραγματικό χρόνο από έναν γνωστό ελληνικό ιστότοπο αγγελιών αυτοκινήτων και τη χρήση προηγμένων μοντέλων πρόβλεψης για την πρόβλεψη των τιμών των αυτοκινήτων.

Αυτή η εργασία στοχεύει να συγκεντρώσει ένα σύνολο δεδομένων που περιλαμβάνει κρίσιμα χαρακτηριστικά όπως έτος κατασκευής, χιλιόμετρα, τύπο καυσίμου και περισσότερα. Με αυτό σύνολο δεδομένων στα χέρια, οι τεχνικές μηχανικής μάθησης συμπεριλαμβανομένων αλγορίθμων παλινδρόμησης χρησιμοποιούνται για να κατασκευάσουν προγνωστικά μοντέλα που μπορούν να εκτιμήσουν τη χρηματική αξία των αυτοκινήτων βασισμένα στα χαρακτηριστικά τους.

In an era where information drives decisions and technology enables unprecedented insights, the automotive industry stands at the forefront of innovation. The ability to accurately predict car values based on their features has become a pivotal challenge. Leveraging the power of web scraping and machine learning, this project explores real-time data collection from a prominent Greek car listings website and employs advanced predictive models to forecast car prices.

This work aims to compile a dataset encompassing critical features such as manufacturing year, mileage, fuel type, and more. With this dataset in hand, machine learning techniques—including regression algorithms—are used to build predictive models capable of estimating a car’s monetary value based on its characteristics.