The industry of electronic commerce (e-commerce) constitutes a great part of the yearly retail consumption in Sweden. Looking at recent years, it has been seen that a rapidly growing sector within the mentioned field is the clothing industry for clothes and accessories for children and newborns. To get an overview of the items and help customers to find what they are looking for, many web stores have a system called a Recommendation System. The mechanics behind this service can look rather different depending on the method used. However, their unified goal is to provide a list of recommended items of interest to the customer.  A branch within this field is the Session Based Recommendation System (SBRS). These are models which are designed to work with the trace of products, called a session, that a user currently has visited on the web store. Based on that information they then formulate an output of recommended items. The SBRS models have been especially popularized since the majority of customers browse in an anonymous behavior, which means that they due to time efficiency often neglect the possibility of creating or logging into any personal web store account. This however limits the accessible information that a system can make use of to shape its item list.  It can be seen that the number of articles exploring SBRS within the fashion branch of clothing and accessories for children is very limited. This thesis is made to fill that gap. After a thorough literature study, three models were found to be of certain interest, the Short-Term Attention/Memory Priority (STAMP) model, Long Short-Term Memory (LSTM) model, and Gated Recurrent Unit (GRU) model. Further, the LSTM model is included as it is the collaborative company, BabyShop Group AB's current used method.  The results of this thesis show that the GRU model is a promising method, managing to predict the next item for a customer more consistently than any other of the evaluated models. Furthermore, it can also be seen that what embeddings the models use to represent the products plays a significant role in the learning and evaluation of the used data set.  Moreover, a benchmark model included in this thesis also shows the importance of filtering the data set of sessions. It can be seen that a majority of customers visit already-seen products, logged happenings most likely due to refreshing web pages or similar actions. This causes the session data set to be characterized by repeated items. For future work, it would therefore indeed be interesting to see how this data set can be filtered in a different way. To see how that affects the outcome of the used metrics in this thesis. / Industrin för elektronisk handel (e-handel) utgör en stor del av den årliga konsumtionen av återförsäljning i Sverige. Bara genom att följa de senaste åren har det kunnat ses att en snabbt växande sektor inom det nämnda området är den som berör kläder och accessoarer för barn.  För att kunna ge en överblick och hjälpa kunder att finna vad de söker använder många webbutiker ett system som kallas rekommendationssystem. Hur dessa system faktiskt fungerar kan se väldigt olika ut. Men deras gemensamma mål är att i slutändan kunna ge en lista av rekommenderade produkter till kunden. En gren inom detta område är sessionsbaserade rekommendationssystem. Detta är modeller som är designade för att arbeta med själva spåret av besökta produkter, de som en kund har varit inne på under sin nuvarande vistelse på webbutiken. Baserat på denna information formuleras sedan en lista av rekommenderade produkter till besökaren. Dessa typer av modeller har blivit särskilt populära då många kunder gillar att shoppa anonymt. Vilket i denna kontext betyder att de gärna slipper att behöva logga in på något personligt konto på webbutiken, där särskild information kan sparas. Men detta betyder också att mängden tillgängliga data minskas för rekommendationssystemet.  Antalet forskningsartiklar som utforskar sessionsbaserade rekommendationssystem för e-handel inom barnmode är väldigt begränsad. Denna avhandling är därför gjord med syftet att försöka fylla detta tomrum. En genomgående litteraturstudie visade att tre modeller var av särskilt intresse, nämligen Short-Term Attention/Memory Priority (STAMP), Gated Recurrent Unit (GRU) och Long Short Term Memory (LSTM) modellen. Den sistnämnda är inkluderad då detta är den nuvarande modellen som används av företaget som denna avhandling har gjorts i samarbete med, BabyShop Group AB.  Resultaten i denna avhandling kan påvisa att GRU är en mycket lovande modell som lyckades förutbestämma nästkommande produkt i en sessionskedja bäst. Utöver detta kan det också ses att embedding-vektorerna som används för att representera produkterna för modellerna spelar en avgörande roll. Speciellt för deras lärande och evaluering av data.  Förutom det påvisade en av riktvärdesmodellerna som användes i denna avhandling den viktiga innebörden av att filtrera sessionsdata. Det kan nämligen urskiljas i den data som erhölls från företaget att många kunder återbesöker en stor del av redan besökta produkter. Detta åstadkommas troligen av att kunderna uppdaterar sidan de är på, eller utför någon annan liknande handling. Det här gör att en stor del av den sessionsdata som används i denna avhandling innehåller många upprepade produkter i de givna sessionskedjorna. Som framtida arbete vore det därför intressant att utforska olika filtreringsmetoder som kan appliceras på den givna datamängden. Detta för att se hur en mera filtrerad datamängd påverkar slutresultatet av de använda mätmetoderna i denna avhandling.

I takt med den växande tekniska utvecklingen har e-handeln börjat ta en allt större plats bland konsumenter och företag. Möjligheten att göra inköp på nätet prioriteras högt, särskilt i samband med Covid-19 pandemin då e-handeln i många fall tog över helt från fysiska butiker. Samtidigt har även utvecklingen inom artificiell intelligens gått i snabb takt. Det har möjliggjort för företag att använda dessa tekniker för att göra sig konkurrenskraftiga inom e-handeln för att stödja olika aktiviteter relaterade till försäljning online. Artificiell intelligens kan definieras som den träning eller programmering av en dator som gör den kapabel att utföra uppgifter som vanligtvis kräver en människas intelligens. Vanliga delområden inom artificiell intelligens relaterade till studiens ämnesområde är maskininlärning, djupinlärning och språkteknologi. Problemet som studien grundar sig i är att e-handelsföretag använder artificiell intelligens inom marknadsföring och försäljning i en för låg utsträckning och att de därför riskerar att hamna efter, vilket ligger till grund för frågeställningen: Hur använder företag artificiell intelligens för att effektivisera försäljningen inom e-handel? Ämnet undersöks närmare genom en undersökning med kvalitativa, semistrukturerade intervjuer med lämpliga yrkeskunniga personer inom området. Insamlade data visade att e-handelsföretag främst använder artificiell intelligens i samband med riktad annonsering via tredjepartsleverantörer som Google och Facebook. Det framkom ur studien att artificiell intelligens-baserade chatbotar tillämpas för en effektivare hantering av kundtjänst. Ytterligare tredjepartsverktyg används för effektivisering av marknadsföring och försäljning vilket främst rörde text- och språkhantering men även bild- och innehållsgenerering. Detta ledde till sparad tid och arbete samt ökad effektivisering av marknadsföringen och försäljningen hos e-handelsföretag. Denna studie har endast undersökt ett urval av hur artificiell intelligens används inom e-handel, och det finns fortfarande många områden att utforska. Gällande samhälleliga konsekvenser möjliggör studiens resultat en tydligare bild av hur e-handelsföretag arbetar med artificiell intelligens inom marknadsföring och försäljning idag. Studien ger en bild av hur användning ser ut nu, med syfte att underlätta vidare forskning med vilken riktning utvecklingen kommer ta framåt samt stötta företag att börja använda artificiell intelligens. Studien har utförts med en strävan efter hög kvalitet och trovärdighet genom tillämpning av etablerade metoder och transparent dokumentation. / In line with the growing technological development, e-commerce has begun to take an increasingly large place among consumers and companies. The ability to make purchases online is of high priority, especially since the covid-19 pandemic, when e-commerce in a lot of cases completely took over from shopping in physical stores. At the same time, the development in artificial intelligence has proceeded at a rapid pace. This has enabled companies to use these technologies to stay competitive in ecommerce to support various activities related to sales online. Artificial intelligence is a machine that can perform cognitive functions typically associated with humans, such as perceiving, reasoning, learning, and interacting. Common subfields in artificial intelligence related to this study are machine learning, deep learning, and natural language processing. The problem that the study is based on is that e-commerce companies use artificial intelligence in marketing and sales to a low extent which means they risk falling behind. Based on this, the research question is: How do companies use artificial intelligence to create efficient sales in e-commerce? The subject is examined through a survey with qualitative semi-structured interviews with professionals in the field. The collected data clearly shows that e-commerce companies primarily use artificial intelligence in connection with targeted advertising through third-party providers such as Google and Facebook. It was found that artificial intelligence based chatbots are applied for more efficient management of customer service. Additional third-party tools are used for streamlining marketing and sales, which mainly involve text and language management but also image and content generation. This leads to saved time and effort as well as increased efficiency in marketing and sales for e-commerce companies. This study has only examined a selection of artificial intelligence usage within e-commerce, and there are still many areas to explore. Regarding societal consequences, the study's results help give a clearer picture of how e-commerce companies work with artificial intelligence in marketing and sales today. The study provides a snapshot of current usage to facilitate further research on the direction of future development and support companies in starting to use artificial intelligence. The study was conducted with an aim for high quality and credibility through the application of established methods and transparent documentation.

Videobaserade sociala medier (VSM) har en betydande roll i samhället där plattformar som Youtube, Tiktok och Vimeo är några av världens mest besökta hemsidor. VSM är dels en källa för underhållning men används även som en källa för information och utbildning. För att navigera genom den mängd innehåll som publiceras på VSM varje dag krävs rekommendationssystem (RS) för att användare ska hitta innehåll som är av intresse. Problematiken som uppstår med RS idag är att de riskera att smalna av användares konsumtion och över tid placera användare i filterbubblor där de endast exponeras mot innehåll som överensstämmer med deras världsbild, åsikter och intressen. Att RS smalnar av användares konsumtion kan undvikas om användare väljer att göra diversifierade val kring vilket innehåll de konsumerar. Tidigare forskning har framförallt fokuserat på hur RS kan programmeras för att presentera diversifierat innehåll i RS gränssnitt men på grund av selektiv exponering tenderar användare att inte välja att konsumera dem diversifierade rekommendationerna. För att påverka användare till att göra val i digitala miljöer kan designers använda sig av digitala knuffar. Denna studie genomfördes genom en designstudie som metodansats, där vi genom utvärdering av fyra digitala knuffar tog fram fem designförslag på hur digitala knuffar i RS gränssnitt kan stödja diversifierade val i RS gränssnitt på VSM. / Video Based social media (VSM) play a significant role in our society where platforms such as Youtube, Tiktok and Vimeo are some of the world's most visited websites. VSM is a source for both entertainment as well as information and education. To navigate through the amount of content getting published on VSM everyday users require recommendation systems (RS) to find content of interest. RS have a tendency of making the consumption of content narrower over time which becomes a problem due to users ending up in filter bubbles where they only are exposed to content that confirms their views, opinions and interest. There is a possibility to avoid the narrowing effect caused by RS through people making diverse consumption choices. Prior research has mainly focused on programming RS for presenting diverse alternatives but due to selective exposure users tend to not choose to consume it. To influence users choice in digital environments designers can use digital nudges. This study was conducted through a design study methods approach where we through evaluation of four digital nudges established five design proposals on how to design digital nudges in RS interface to support diverse choices on VSM.

Streaming services have had a significant gain in popularity over the last decade, with an increasing number of subscribers. Along with digitalization, more households seek accessible entertainment that allows them to choose the type of content they wish to watch. However, as streaming services have grown in popularity, the content library of those services has been increasing, leaving users overwhelmed when deciding what to watch next. A recommendation system is used by the majority of streaming providers to assist its customers find appropriate material to watch. This recommendation system suggests suitable material based on the user's collected data. However, the recommendation systems suggestions are not always perceived to be relevant. The purpose of this thesis is to identify potential perceived problems with the recommendation systems and their causes. This was accomplished by investigating how consumers of those services experience them by conducting a survey and interviews. The identified problems have then been compiled into a basis. The goal of this thesis is to provide a basis that may benefit streaming services, their consumers and be of use by academics to conduct further research within the field. The basis indicates that there are several perceived problems with the current recommendation systems. A total of nine problems have been documented and discussed. / Streamingtjänster har haft en betydande ökning i popularitet under det senaste årtiondet, med ett ökande antal användare. Tillsammans med digitaliseringen söker fler hushåll tillgänglig underhållning som gör att de kan välja vilken typ av innehåll de vill titta på. Men eftersom streamingtjänster har ökat i popularitet, har utbudet för dessa tjänster ökat, vilket gör användarna överväldigade när de bestämmer sig för vad de ska titta på härnäst. Rekommendationssystemen används av majoriteten av streamingtjänsterna för att hjälpa sina kunder att hitta lämpligt material att titta på. Rekommendations systemen föreslår lämpligt material baserat på användarens beteende mönster. Rekommendations systemets förslag uppfattas dock inte alltid vara relevanta. Syftet med denna uppsats är att identifiera potentiella problem som användare uppfattar av rekommendations systemen och vad som kan orsaka dessa problem. Detta åstadkoms genom att undersöka hur konsumenter av dessa tjänster upplever dem genom att genomföra en undersökning samt ett antal intervjuer. De identifierade problemen har sedan sammanställts till ett underlag. Målet med detta examensarbete är att ge ett underlag som kan gynna streamingtjänster, deras konsumenter och vara till nytta för akademiker för att genomföra ytterligare studier inom området. Underlaget tyder på att det finns flera problem med nuvarande rekommendationssystem som upplevs av användare. Totalt har nio problem dokumenterats och diskuterats.

Long Term Evolution (LTE) is fourth generation broadband wireless access technology. As LTE networks continue to expand, their energy consumption has become a concern due to increased costs and environmental impact. To address this issue, we present a novel approach in this thesis that focuses on energy-efficient LTE network operation by optimizing cell bandwidth deployment. Only historical data extracted from a real-world LTE network is provided by Ericsson in the thesis, so the model has to learn the pattern by exploiting the data. The model formulates the task as an offline contextual bandits problem and implements offline learning and evaluation algorithms. In addition, the model incorporates two agents: an energy-driven agent and a teacher agent within the bandwidth recommendation engine. This enables energy savings while ensuring uninterrupted network service. Users have the flexibility to customize the desired percentage of energy savings by adjusting a hyper-parameter that determines the relative weight of the two agents in the final bandwidth decision. Through comprehensive offline evaluation, the model is assessed and demonstrates its ability to conserve energy without compromising network performance. / Long Term Evolution (LTE) är en fjärde generationens bredbandslösning för trådlös access. Medan LTE-nätverk fortsätter att expandera har energiförbrukningen blivit en oro på grund av ökade kostnader och miljöpåverkan. För att hantera denna fråga presenterar vi i denna avhandling en innovativ metod som fokuserar på energieffektiv drift av LTE-nätverk genom att optimera tilldelningen av cellbandbredd. Endast historiska data som utvunnits från ett verkligt LTE-nätverk tillhandahålls av Ericsson i avhandlingen, vilket innebär att modellen måste lära sig mönster genom att utnyttja dessa data. Modellen formulerar uppgiften som ett offline-contextual bandits-problem och implementerar algoritmer för offline-inlärning och utvärdering. Dessutom inkluderar modellen två agenter: en energistyrd agent och en läraragent i bandbreddrekommendationssystemet. Detta möjliggör energibesparingar samtidigt som kontinuerlig nätverkstjänst garanteras. Användare har flexibiliteten att anpassa den önskade procentandelen av energibesparingar genom att justera en hyperparameter som bestämmer den relativa vikten av de två agenterna vid beslutsfattandet om slutlig bandbredd. Genom omfattande utvärdering offline bedöms modellen och dess förmåga att spara energi utan att äventyra nätverksprestanda bekräftas.

This thesis presents the design and development of a web-based platform intended to streamline the public sector funding process for startups by employing a matching algorithm. The platform was developed as part of a Bachelor's program in Computer Engineering and aims to address the inefficiencies and complexities currently impeding startup access to vital funding sources. Utilizing the MERN technology stack (MongoDB, Express.js, React, and Node.js), the project integrates web-based technologies to enhance user experience and ensure robust security measures aligning with GDPR standards. The methodology adopted includes agile development practices to facilitate iterative testing and improvements. The system's use of data from public funding webpages, combined with API integration and web scraping techniques, ensures a rich database of funding opportunities tailored to startups' diverse needs. This thesis serves as a practical solution for startups striving to navigate the complex landscape of public sector funding. / Den här uppsatsen presenterar designen och utvecklingen av en webbaserad plattform avsedd att effektivisera processen för offentlig finansiering till startups genom att använda en matchningsalgoritm. Plattformen, som utvecklats är en del av ett högskoleingenjörsprogram inom datateknik och syftar till att adressera de ineffektiviteter och komplexiteter som för närvarande hindrar startups från att få tillgång till nödvändiga finansieringskällor. Genom att använda MERN-teknikstacken (MongoDB, Express.js, React och Node.js) integrerar projektet webbteknologier för att förbättra användarupplevelsen och säkerställa robusta säkerhetsåtgärder i linje med GDPR-standarder. Den antagna metoden inkluderar agila utvecklingspraxis för att underlätta iterativ testning och förbättringar. Systemets användning av data från offentliga finansieringswebbplatser, kombinerat med API-integration och webbskrapningstekniker, säkerställer en rik databas med finansieringsmöjligheter anpassade till startups mångfaldiga behov. Denna avhandling fungerar som en praktisk lösning för startups som strävar efter att navigera i det komplexa landskapet för offentlig sektorfinansiering.

Les systèmes de recommandation (RS) et le pair-à-pair (P2) sont complémentaires pour faciliter le partage de données à grande échelle: RS pour filtrer et personnaliser les requêtes des utilisateurs, et P2P pour construire des systèmes de partage de données décentralisés à grande échelle. Cependant, il reste beaucoup de difficultés pour construire des RS efficaces dans une infrastructure P2P. Dans cette thèse, nous considérons des communautés en ligne à grande échelle, où les utilisateurs notent les contenus qu'ils explorent et gardent dans leur espace de travail local les contenus de qualité pour leurs sujets d'intérêt. Notre objectif est de construire un P2P-RS efficace pour ce contexte. Nous exploitons les sujets d'intérêt des utilisateurs (extraits automatiquement des contenus et de leurs notes) et les données sociales (amitié et confiance) afin de construire et maintenir un overlay P2P social. La thèse traite de plusieurs problèmes. D'abord, nous nous concentrons sur la conception d'un P2P-RS qui passe à l'échelle, appelé P2Prec, en combinant les approches de recommandation par filtrage collaboratif et par filtrage basé sur le contenu. Nous proposons alors de construire et maintenir un overlay P2P dynamique grâce à des protocoles de gossip. Nos résultats d'expérimentation montrent que P2Prec permet d'obtenir un bon rappel avec une charge de requêtes et un trafic réseau acceptables. Ensuite, nous considérons une infrastructure plus complexe afin de construire et maintenir un overlay P2P social, appelé F2Frec, qui exploite les relations sociales entre utilisateurs. Dans cette infrastructure, nous combinons les aspects filtrage par contenu et filtrage basé social, pour obtenir un P2P-RS qui fournit des résultats de qualité et fiables. A l'aide d'une évaluation de performances extensive, nous montrons que F2Frec améliore bien le rappel, ainsi que la confiance dans les résultats avec une surcharge acceptable. Enfin, nus décrivons notre prototype de P2P-RS que nous avons implémenté pour valider notre proposition basée sur P2Prec et F2Frec. / Recommendation systems (RS) and P2P are both complementary in easing large-scale data sharing: RS to filter and personalize users' demands, and P2P to build decentralized large-scale data sharing systems. However, many challenges need to be overcome when building scalable, reliable and efficient RS atop P2P. In this work, we focus on large-scale communities, where users rate the contents they explore, and store in their local workspace high quality content related to their topics of interest. Our goal then is to provide a novel and efficient P2P-RS for this context. We exploit users' topics of interest (automatically extracted from users' contents and ratings) and social data (friendship and trust) as parameters to construct and maintain a social P2P overlay, and generate recommendations. The thesis addresses several related issues. First, we focus on the design of a scalable P2P-RS, called P2Prec, by leveraging collaborative- and content-based filtering recommendation approaches. We then propose the construction and maintenance of a P2P dynamic overlay using different gossip protocols. Our performance experimentation results show that P2Prec has the ability to get good recall with acceptable query processing load and network traffic. Second, we consider a more complex infrastructure in order to build and maintain a social P2P overlay, called F2Frec, which exploits social relationships between users. In this new infrastructure, we leverage content- and social-based filtering, in order to get a scalable P2P-RS that yields high quality and reliable recommendation results. Based on our extensive performance evaluation, we show that F2Frec increases recall, and the trust and confidence of the results with acceptable overhead. Finally, we describe our prototype of P2P-RS, which we developed to validate our proposal based on P2Prec and F2Frec.

根據2010年人力銀行調查54%的尋找人才是以「工作分析」為主要依據，可見人才的遴選仍以經歷為主要因素。而近年來社會網絡與推薦系統普為應用於人才之找尋。 本研究實際以某國立大學EMBA學員資料，以同學與同事關係建置一個人脈社會網絡之人才推薦系統。本系統能依據使用者所輸入之人才搜尋條件，藉由距離相似度之運算，找出最接近的所需人才，並依距離相似度排序。其次，本系統可由各成員學歷，工作經歷所在之產業別，以及在組織中任職之功能別，來呈現人才之專業輪廓（Professional Profile），以作為決策者在遴選人才之依據。並提供所有關係路徑，以利使用者可進一步的諮詢路徑上成員對於推薦人選之評價。 本研究針對該校EMBA學員共計2,121人，應用資料探勘中群集分析建立推薦系統，有別於一般以關鍵字比對的搜尋方式，能找出與使用者需求條件相似度高的人才；並藉由人脈社會網路路徑，幫助使用者藉由自身的人脈評估推薦的結果。最後，本研究並提出結論、建議以及未來研究方向。 / Abstract According to the Job Bank survey in 2010, about 54% recruiters who search for specialist is mainly based on job analysis. This research is based on Social Network and Rcommendation system to build a relationship between the students and the colleagues with the personnel social network contacts, thus, a specialist recommendation system is constructed. First the system can compute the dissimilarity between the conditions users input and the background of people, find out the closest result required by sorting of similarity. Secondly, the professional profiles is established by the education background and work experiences (contain the various industries and position type), to serve as the basis for decision-makers in the selection of specialist. Besides, they can also inquire people from social network path for further appraisals of the candidate. The research is based on EMBA students totaled 2121 people, applying cluster analysis of data mining to build up the recommendation system, opposite to using key-word matching as a way to search people. Thus, the study can find the highest similar conditions demand of input. Via the associated social networks paths, to help users identify and use their own network to assess the recommend candidates. Finally, this study proposes conclusions, recommendations and future research directions. Keywords: Social Network , Similarity , Professional Profile , Specialist Recommendation System , Social Network Path

本研究提出一創新的旅遊推薦服務系統，以意象模型作為旅客意象(包含自我意象和情感需求)、景點意象、以及中小企業所提供服務之意象在系統裡的一致性表達。以上所提及之利益關係人的意象會經由數個系統模組進行建立與管理，並演化以反映出意象擁有者在真實世界的狀態。除此之外，本系統為動態運行，強調旅遊產業裡各個利益關係人角色之間的互動關係。每當互動發生，相關意象模型會進行混合，演繹出額外的意象屬性，以進行意象模型之調整。另外，基於顏色與情緒可相互對應的相關研究，我們將色彩理論運用於意象媒合與意象混合模組之中，藉此為旅客推薦符合其情感需求的旅遊景點或服務。本研究所提出一系列基於意象衍伸的系統化方法，可被應用於各種不同的領域。我們相信本研究可以為其它領域之實務應用與學術探討帶來顯著的貢獻。 / This research presents a recommendation service system that considers the image as a uniform representation of tourist images (include self-image and emotional needs), destinations, and local SMEs. Images carried by each stakeholder roles are modeled and managed by several system modules, and they also evolve to reflect the real time situations of each entity. In addition, the system is dynamic in terms of its emphasis on the relationships among these roles. When interactions occur, image mixing will be conducted to derive extra image attributes for the adjustments of the images. Besides, since colors can be mapped onto emotions, we use colors to operate the image matching and mixing process to find good matches of destinations for the recommendation. This image related approach we proposed is domain-independent. We believe our method could contribute to other areas of practical applications and academic studies.

Η ραγδαία ανάπτυξη και διείσδυση των νέων τεχνολογιών πληροφορίας και επικοινωνίας έχει επιφέρει ριζικές αλλαγές σε όλους τους τομείς της ανθρώπινης δράσης (Castells, 1998). Ιδιαίτερο ενδιαφέρον παρουσιάζει η επιρροή των τεχνολογιών αυτών στον τομέα της εκπαίδευσης. Οι εξελίξεις στον χώρο της τεχνολογίας και επικοινωνίας καθώς και η διάδοση του Internet μετεξέλιξαν αναπόφευκτα την εκπαιδευτική διαδικασία, από το κλασσικό συγκεντρωτικό μοντέλο σε ένα πιο άμεσο και ευέλικτο: η «εξ’ Αποστάσεως Εκπαίδευση» (e-learning) είναι μια εναλλακτική μορφή εκπαίδευσης, που επιδιώκει να καλύψει τους περιορισμούς της παραδοσιακής εκπαίδευσης. Στην παρούσα μεταπτυχιακή διπλωματική εργασία σχεδιάστηκε και υλοποιήθηκε ένα ολοκληρωμένο σύστημα Δυναμικής Ανάλυσης και Πρόβλεψης της επίδοσης των εκπαιδευομένων, για ένα σύστημα εξ΄ αποστάσεως εκπαίδευσης. Η βασική ιδέα εμφορείται από την ανάγκη των ιδρυμάτων εξ΄ αποστάσεως εκπαίδευσης, για την κάλυψη των εκπαιδευτικών αναγκών και την παροχή υψηλής ποιότητας σπουδών. Η εξόρυξη γνώσης για την πρόβλεψη της επίδοσης των εκπαιδευομένων συμβάλλει καθοριστικά στην επίτευξη υψηλής ποιότητας σπουδών. Η ικανότητα και η δυνατότητα πρόβλεψης της απόδοσης των εκπαιδευομένων μπορεί να φανεί χρήσιμη με αρκετούς τρόπους για την διαμόρφωση ενός συστήματος, που θα μπορεί να αποτρέψει την αποτυχία καθώς και την παραίτηση των εκπαιδευομένων. Αξίζει να σημειωθεί ότι στα συστήματα εξ’ αποστάσεως εκπαίδευσης η συχνότητα «εγκατάλειψης» είναι αρκετά υψηλότερη από αυτή στα συμβατικά πανεπιστήμια. Για την πρόβλεψη της επίδοσης των εκπαιδευομένων, η απαιτούμενη πληροφορία βρίσκεται «κρυμμένη» στο εκπαιδευτικό σύνολο δεδομένων (δλδ. βαθμοί γραπτών εργασιών, βαθμοί τελικής εξέτασης, παρουσίες φοιτητών) και είναι εξαγώγιμη με τεχνικές εξόρυξης. Η χρήση μεθόδων εξόρυξης δεδομένων (data mining) στον τομέα της εκπαίδευσης παρουσιάζει αυξανόμενο ερευνητικό ενδιαφέρον. Ο νέος αυτός «αναπτυσσόμενος» τομέας έρευνας, που ονομάζεται «Εκπαιδευτική Εξόρυξη Δεδομένων», ασχολείται με την ανάπτυξη μεθόδων εξόρυξης «γνώσης» από τα εκπαιδευτικά σύνολα δεδομένων. Πράγμα που επιτυγχάνεται με τη χρήση τεχνικών όπως τα δέντρα απόφασης, τα Νευρωνικά Δίκτυα, Naïve Bayes, k-means, κλπ. Η παρούσα εργασία έχει σχεδιαστεί να προσφέρει ένα μοντέλο εξόρυξης δεδομένων χρησιμοποιώντας τη μέθοδο των δέντρων απόφασης, για το σύστημα τριτοβάθμιας εκπαίδευσης στο ανοιχτό πανεπιστήμιο. Η «γνώση» που προκύπτει από τα δεδομένα εξόρυξης θα χρησιμοποιηθεί με στόχο την διευκόλυνση και την ενίσχυση της μάθησης, καθώς επίσης και στη λήψη αποφάσεων. Στην παρούσα εργασία, εξάγουμε «γνώση» που σχετίζεται με τις επιδόσεις των μαθητών στην τελική εξέταση. Επίσης, γίνεται εντοπισμός των ατόμων που εγκαταλείπουν το μάθημα και των μαθητών που χρειάζονται ιδιαίτερη προσοχή και εντέλει δίνει τη δυνατότητα στους καθηγητές να παράσχουν την κατάλληλη παροχή συμβουλών. / The rapid development and intrusion of information technology and communications have caused radical changes in all sectors of human’s activity. (Castells, 1998). Of particular interest is the great technology’s influence on education. Due to the adoption of the new technologies, e-learning has been emerged and developed. As a result, distance learning has transformed and new possibilities have appeared. It is remarkable that distance learning became and considered as a scout of the new era in education and contributed to the quality of education: e-learning is trying to cover the limitations of conventional teaching environment. In the present thesis, an integrated system of dynamic analysis and prediction of the performance of students in distance education has been designed and implemented. The initial idea for designing this system came from the higher distance education institutes’ need to provide quality education to its students and to improve the quality of managerial decisions. One way to achieve highest level of quality in higher distance education e-learning system is by discovering knowledge from educational data to study the main attributes that may affect the students’ performance. The discovered knowledge can be used to offer a helpful and constructive recommendations to the academic planners in higher distance education institutes to enhance their decision making process, to improve students’ academic performance, trim down failure rate and dropout rate, to assist instructors, to improve teaching and many other benefits. Dropout rates in university level distance learning are definitely higher than those inconventional universities, thus limiting dropout is essential in university-level distance learning.